Intelligent Media Services:AIAgentConfig

ASR の言語。有効な値：

• `zh_mandarin`：中国語 (北京語)

• `en`：英語

• `zh_en`：中国語-英語混合

• `es`：スペイン語

• `jp`：日本語

ASR エンジンが発話を確定するまでの無音の最大持続時間 (ミリ秒) です。この値より長い無音は、文の区切りと見なされます。範囲：200～1200。デフォルト値：400。

割り込みのための音声アクティビティ検出 (VAD) のしきい値です。範囲：0～11。デフォルト値：11。

• `0`：VAD を無効にします。

• `1`～`10`：割り込みの感度を設定します。値が大きいほど、エージェントへの割り込みが難しくなります。

• `11`：音声の歪みが少なく、ノイズ耐性が高い拡張モードです。

独自の ASR 統合のためのパススルーパラメーターです。

割り込みをトリガーするために必要なユーザーの連続した発話の最小持続時間 (ミリ秒) です。これにより、割り込みの感度を制御します。値 0 はこの機能を無効にします。範囲：200～2000。一般的な範囲は 200～500 ms で、これは通常、中国語の 1～4 文字に相当します。省略した場合、この機能は無効になります。

プリセットされた TTS 音声の ID です。変更は次の発話から適用されます。省略した場合、AI エージェントテンプレートの音声が使用されます。ID の最大長は 64 文字です。利用可能な音声については、「インテリジェント音声サンプル」をご参照ください。

このパラメーターは Minimax プロバイダーにのみ適用されます。有効な値： `speech-01-turbo`、`speech-02-turbo`

このパラメーターは Minimax プロバイダー専用です。特定のリソースが少ない言語や方言の認識を強化します。言語が不明な場合は、`auto` に設定して自動検出します。デフォルトでは、このパラメーターは設定されません。サポートされている値は次のとおりです：

このパラメーターは Minimax プロバイダーにのみ適用されます。サポートされている感情は次のとおりです：

• `happy`

• `sad`

• `angry`

• `fearful`

• `disgusted`

• `surprised`

• `calm`

話速です。値 1.0 が通常の速度です。サポートされる範囲はプロバイダーによって異なる場合があります。CosyVoice の場合、範囲は 0.5～2.0 (デフォルト：1.0) です。Minimax の場合、範囲は 0.5～2.0 (デフォルト：1.0) です。

LLM/MLLM コンテキストに含める最新の対話ターンの最大数です。デフォルト値：10。

通話開始後の LLM のシステムプロンプトです。

Alibaba Cloud Model Studio のパラメーターで、JSON 文字列として提供されます。パラメーターのフォーマットについては、 「Alibaba Cloud Model Studio パラメーター」をご参照ください。

OpenAI 互換の LLM のための追加のクエリパラメーターです。パラメーターは URL クエリ文字列 (例：`key1=value1&key2=value2`) として提供する必要があります。すべての値は文字列でなければなりません。

`true` に設定すると、エージェントは LLM の応答をストリーミングするのではなく、完全に生成された後に単一のメッセージとして送信します。この設定は字幕のストリーミングには影響しません。

TTS エンジンに送信される前のテキストチャンクの最小文字数です。これより短いチャンクはバッファリングされます。範囲：0～100。値 `0` またはこのパラメーターを省略すると、バッファリングが無効になります。デフォルト：未設定。

`OutputMinLength` が満たされていない場合でも、バッファリングされたテキストが TTS エンジンに送信されるまでの最大遅延時間 (ミリ秒) です。範囲：1000～10000。値 `0` またはこのパラメーターを省略すると、遅延制限が無効になります。デフォルト：未設定。

LLM のメッセージ履歴を TTS (音声合成) によって再生されるコンテンツと同期させるかどうかを指定します。デフォルト値は `false` です。この機能を有効にすると、保存される LLM のメッセージが、TTS によって実際に再生されたコンテンツと一致するようになります。

[
  {"role": "user", "content": "Tell me a story."},
  {"role": "assistant", "content": "Okay, I can tell you a story about the Three Kingdoms. Would you<ims_agent_interrupted> like that?"},
  {"role": "user", "content": "Tell me a different one."}
]

アバターのモデル ID です。

音声割り込みを有効にするかどうかを指定します。デフォルト値：`true`。

エージェントの発話の割り込み不可の部分で発生したユーザーの発話をどのように処理するかを指定します。

• `cache`：ユーザーの発話をキャッシュし、次の対話ターンで処理します。

• `discard`：ユーザーの発話を破棄します。

デフォルト値：`cache`。

LLM に送信されるテキストに割り込みワードを含めるかどうかを指定します。デフォルト値：`false` (単語は破棄されます)。

ボイスプリント認識を有効にするかどうかを指定します。デフォルト値：`false`。`true` に設定した場合は、有効な `VoiceprintId` も提供する必要があります。

ボイスプリントの一意の識別子です。デフォルトでは設定されていません。ID は、ボイスプリント登録 API を使用して登録されたボイスプリントに対応している必要があります。詳細については、「ボイスプリントの登録」をご参照ください。

ボイスプリントの登録モードです。デフォルト値：`Explicit`。

対話ターン検出モードです。

• `Normal` (デフォルト)：エージェントは、ユーザーのターンの終わりを検出するために無音に依存します。

• `Semantic`：エージェントは AI を使用して対話のコンテキストを分析し、ユーザーが話し終えたかどうかを判断します。

AI モードでの無音検出時間 (ミリ秒) です。デフォルト値：-1。

• -1：AI が適切な待機時間を自動的に決定します。

• 0～10000：カスタムの待機時間。0～1500 ms の範囲を推奨します。

ユーザーの無音を検出した後のエージェントの応答速度を制御します。このパラメーターは `Semantic` モードでのみ適用されます。設定値を高くすると応答は速くなりますが、ユーザーに割り込むリスクが高まります：

• `Low`：最大 6 秒の待機時間で辛抱強く待ち、割り込みのリスクを低減します。

• `Medium`：バランスの取れた待機時間 (最大 4 秒) で、ほとんどのシナリオに適しています。

• `High`：迅速に応答 (最大 2 秒) しますが、速度が向上する一方で、不適切なターンテーキングのリスクが高まる可能性があります。

このフィールドはデフォルトで空です。

環境音リソースの ID です。この ID は、コンソールのエージェント構成の高度な設定から取得できます。

環境音のボリュームです。範囲：0～100。値 0 は音を無効にします。