Intelligent Media Services:AIAgentConfig

ASR 言語 ID。有効な値:

• zh_mandarin: 中国語。

• en: 英語。

• zh_en: 中国語と英語の混合。

• es: スペイン語。

• jp: 日本語。

音声セグメンテーションのサイレンス持続時間のしきい値。このしきい値を超えるサイレンスは文の中断とみなされます。有効な値: 200 から 1200。単位: ミリ秒。デフォルト値: 400。

割り込みしきい値パラメーター。有効な値: 0 から 11。デフォルト値: 11。

• 0: 音声活動検出 (VAD) 特徴を無効にします。

• 1 から 10: 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: 以前の値とは大きく異なり、前処理中の音声歪みが少なく、干渉防止能力が強化されます。

独自 ASR 統合用のパススルーパラメーター。

音声活動検出の最小値の持続時間しきい値。割り込みの秘密度をコントロールするために使用されます。値 0 はこの特徴を無効にします。有効な値: 200 から 2000。単位: ミリ秒。一般的な値: 200 から 500 (1 から 4 語に相当)。デフォルト値: 空 (効果を発揮しません)。

音声 ID。一部サービス停止は次の文で効果を発揮します。指定しない場合、エージェントテンプレートで設定された音声 ID が使用されます。このパラメーターは、プリセット TTS に対してのみ有効です。長さの最大値: 64 文字。有効な値については、インテリジェント音声効果の例 を参照してください。

モデル ID。現在、minimax のみがサポートされています。有効な値: speech-01-turbo または speech-02-turbo。

言語 ID。現在、minimax のみがサポートされています。デフォルト値: 空。このパラメーターは、指定された少数民族言語および方言の認識機能を強化します。構成後、指定された少数民族言語または方言のシナリオにおける音声パフォーマンスが向上します。少数民族言語のタイプが不明な場合は、このパラメーターを "auto" にセットすると、モデルが言語タイプを自動的に判断します（呼び出し）。有効な値: <詳細> <まとめ>サポートされている言語</まとめ>

• Chinese: 中国語

• Chinese,Yue: 広東語

• English: 英語

• Arabic: アラビア語

• Russian: ロシア語

• Spanish: スペイン語

• French: フランス語

• Portuguese: ポルトガル語

• German: ドイツ語

• Turkish: トルコ語

• Dutch: オランダ語

• Ukrainian: ウクライナ語

• Vietnamese: ベトナム語

• Indonesian: インドネシア語

• Japanese: 日本語

• Italian: イタリア語

• Korean: 韓国語

• Thai: タイ語

• Polish: ポーランド語

• Romanian: ルーマニア語

• Greek: ギリシャ語

• Czech: チェコ語

• Finnish: フィンランド語

• Hindi: ヒンディー語

• auto: 自動検出 </詳細>

感情。現在、minimax のみがサポートされています。minimax は次の 7 つの感情をサポートしています。

• happy: 喜び

• sad: 悲しみ

• angry: 怒り

• fearful: 恐れ

• disgusted: 嫌悪

• surprised: 驚き

• calm: 平静

音声レート。すべてのプラットフォームでサポートされています。 cosyvoice の場合、デフォルト値は 1.0、有効値は 0.5 から 2.0 です。 minimax の場合、デフォルト値は 1.0、有効値は 0.5 から 2.0 です。

LLM または MLLM の過去の会話コンテキストの保持される最大値のターン数。デフォルト値: 10。

呼び出し開始後の LLM のシステムプロンプト。

Alibaba Cloud Model Studio アプリケーションセンターのパラメーター。タイプは JSON 文字列です。パラメーターフォーマットについては、以下を参照してください。 Alibaba Cloud Model Studio アプリケーションセンターのパラメーター。

OpenAI 互換 LLM の追加クエリパラメーター。パラメーターは キー=value フォーマットである必要があります。複数のパラメーターはアンパサンド (&) で接続します。すべての値は文字列タイプである必要があります。

この特徴が有効にされると、LLM が完全な応答をレート生成した後、エージェントは完全な LLM 結果をクライアントに送信します。このスイッチは、字幕のストリーミング生成には影響しません。

テキスト出力の最小値の長さ (文字数)。この長さより短いテキストはキャッシュされ、結合を待機します。有効な値: 0 から 100。値 0 または空は制限なしを示します。デフォルト値: 空。

テキスト出力の最大値の遅延時間 (ミリ秒)。この時間を超えると、キャッシュされたテキストが強制的に出力されます。有効な値: 1000 から 10000。値 0 または空は制限なしを示します。デフォルト値: 空。

LLM メッセージリストが TTS 再生コンテンツと一致しているかどうかを指定します。デフォルト値: false。この特徴が有効にされると、保存された LLM メッセージが TTS 再生コンテンツと一致します。

[
  {"ロール": "user", "content": "物語を教えてください。"},
  {"ロール": "assistant", "content": "はい、三国志演義の物語をお話ししましょう。<ims_agent_interrupted>聴きたいですか？"},
  {"ロール": "user", "content": "別のものに変えましょう。"}
]

デジタルヒューマンのモデル ID。

音声割り込みをサポートするかどうかを指定します。デフォルト値: true。

<割り込みなし> モードでの ASR 処理ポリシー。

• cache: ASR テキストをキャッシュします。現在のターンが終了した後、キャッシュされた ASR テキストは次のターンで一緒に処理されます。

• discard: ASR テキストを直接破棄します。

デフォルトポリシーは、ASR テキストをキャッシュすることです。

LLM にテキストを送信する際に割り込み単語を保持するかどうかを指定します。デフォルト値: discard。

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。ボイスプリント認識が有効な場合、有効なボイスプリント ID を渡す必要があります。

ボイスプリント認識の一意の ID。デフォルト値: 空。渡されるボイスプリント ID は、ボイスプリント登録 API を通じて登録されている必要があります。API ドキュメントについては、ボイスプリントの登録 を参照してください。

ボイスプリント登録モード。デフォルト値: Explicit。

ターン検出モード。

• 法線 (デフォルト): 法線モード。セマンティクスの判断に AI は使用されません。

• Semantic: セマンティックモード。コンテキストのセマンティクスに基づいて、ユーザーの発話が終了したかどうかを判断するために AI が使用されます。

AI モードでの一時停止判断時間。単位: ミリ秒。デフォルト値: -1。

• -1: AI が適切な待機時間を自動的に判断します（呼び出し）。

• 0 から 10000: カスタム待機時間。0 から 1500 ミリ秒にセットすることをお勧めします。

熱意レベル。このパラメーターはセマンティックモードでのみ効果を発揮します。AI が一時停止を検出した後の応答速度をコントロールします。

• "Low": 辛抱強い待機。最大値の待機時間は 6 秒で、割り込まれるリスクを低減します。

• "Medium": バランスの取れた待機。最大値の待機時間は 4 秒で、ほとんどのシナリオに適しています。

• "High": 高速応答。最大値の待機時間は 2 秒で、速度は向上しますが、誤った区切りのリスクが高まる可能性があります。

デフォルト値: 空。

呼び出しの環境音の ID。この ID は、コンソールのエージェント構成の詳細セットで取得できます。

呼び出しのバックグラウンドサウンドのボリューム。有効な値: 0 ～ 100。値が 0 の場合、バックグラウンドサウンドが無効であることを示します。