语音与音频

学习语音识别、合成、音乐生成与实时语音智能体,适合音频应用开发者。

22 条精选 · 入门 5 · 按推荐学习顺序:越基础、直观越靠前,越系统、深入越靠后

在 3D 图中查看
  1. 8进阶
    教程发布 10-19
    Google 开发者博客

    分步指南:用 ADK 构建一个从不沉默的语音智能体

    Step by Step guide: Build a Voice Agent That Never Goes Silent using ADK

    Google 开发者博客 2026 年 10 月 19 日的文章,作者为 Stephen Allen 与 Kaz Sato。内容介绍如何用开源 Agent Development Kit(ADK)和 gemini-3.8-live,在 Python 中实现非阻塞工具来构建响应及时的语音智能体,包括用流式工具输出进度更新、用后台执行模式在长时间后端查询期间保持对话流畅,以及配置 WHEN_IDLE、INTERRUPT、SILENT 等响应调度行为来控制工具结果何时以何种方式进入对话。适合用 ADK 和 Gemini 实时接口开发语音智能体的开发者阅读。

  2. 9进阶
    教程发布 10-26
    YouTube

    如何构建被用户打断也不会崩掉的语音 agent——Jesse Hall,LiveKit

    How to Build Voice Agents That Don't Fall Apart When You Interrupt - Jesse Hall, LiveKit

    LiveKit 的 Jesse Hall 讲解如何为金融服务构建听起来自然而非机械的语音 agent。内容包括为何模型排行榜会误导选择(排行榜评分的是组件,而交付的是对话)、应以首段音频和首句话的延迟而非首字节/首 token 衡量、用异步工具调用在慢速后端运行时保持对话流畅,以及音频感知的轮次检测、约 1.5 秒延迟预算(500–600 毫秒才接近真人)和用模拟呼叫者对自己的技术栈做基准测试。视频含酒店预订 agent 演示和分章节时间轴。

多模态与领域探索的其他细分主题