Intelligent Media Services:AIAgentConfig

O idioma para ASR. Valores válidos:

• zh_mandarin: Chinês (Mandarim)

• en: Inglês

• zh_en: Chinês-Inglês misto

• es: Espanhol

• jp: Japonês

A duração máxima de silêncio em milissegundos antes que o mecanismo ASR finalize uma enunciação. Uma pausa maior que esse valor sinaliza uma quebra de sentença. Intervalo: 200–1200. Valor padrão: 400.

O limiar de Detecção de Atividade de Voz (VAD) para interrupções. Intervalo: 0–11. Valor padrão: 11.

• 0: Desativa o VAD.

• 1–10: Define a sensibilidade de interrupção. Um valor mais alto torna o agente mais difícil de interromper.

• 11: Um modo aprimorado com menor distorção de áudio e maior resistência a ruídos.

Parâmetros de passagem para integrações ASR proprietárias.

A duração mínima em milissegundos de fala contínua do usuário necessária para acionar uma interrupção. Isso controla a sensibilidade de interrupção. Um valor de 0 desativa esse recurso. Intervalo: 200–2000. Um intervalo comum é de 200–500 ms, que normalmente corresponde a 1 a 4 caracteres chineses. Se omitido, esse recurso é desativado.

O ID da voz TTS predefinida. As alterações se aplicam à próxima enunciação. Se omitido, a voz do modelo de agente de IA é usada. O ID pode ter no máximo 64 caracteres. Para vozes disponíveis, consulte Amostras de Voz Inteligente.

Este parâmetro se aplica apenas ao provedor Minimax. Valores válidos: speech-01-turbo, speech-02-turbo

Este parâmetro é apenas para o provedor Minimax. Ele melhora o reconhecimento para idiomas e dialetos específicos de baixo recurso. Se o idioma for desconhecido, defina como auto para detecção automática. Por padrão, este parâmetro não é definido. Os valores suportados incluem:

Este parâmetro se aplica apenas ao provedor Minimax. As emoções suportadas incluem:

• happy

• sad

• angry

• fearful

• disgusted

• surprised

• calm

A velocidade da fala, onde o valor 1.0 é a velocidade normal. O intervalo suportado pode variar por provedor. Para CosyVoice, o intervalo é de 0.5 a 2.0 (padrão: 1.0). Para Minimax, o intervalo é de 0.5 a 2.0 (padrão: 1.0).

O número máximo de turnos de conversação recentes a incluir no contexto do LLM/MLLM. Valor padrão: 10.

O prompt de sistema para o LLM após o início da chamada.

Parâmetros para o Alibaba Cloud Model Studio, fornecidos como uma string JSON. Para o formato dos parâmetros, consulte Parâmetros do Alibaba Cloud Model Studio

Parâmetros de consulta adicionais para um LLM compatível com OpenAI. Os parâmetros devem ser fornecidos como uma string de consulta de URL (por exemplo, key1=value1&key2=value2). Todos os valores devem ser strings.

Quando definido como true, o agente envia a resposta completa do LLM em uma única mensagem após ser totalmente gerada, em vez de transmiti-la em streaming. Essa configuração não afeta o streaming de legendas.

O número mínimo de caracteres em um bloco de texto antes de ser enviado ao mecanismo TTS. Blocos menores são armazenados em buffer. Intervalo: 0–100. Um valor de 0 ou a omissão deste parâmetro desativa o buffer. Valor padrão: não definido.

O atraso máximo em milissegundos antes que o texto armazenado em buffer seja enviado ao mecanismo TTS, mesmo que OutputMinLength não seja atingido. Intervalo: 1000–10000. Um valor de 0 ou a omissão deste parâmetro desativa o limite de atraso. Valor padrão: não definido.

Especifica se o histórico de mensagens do LLM é sincronizado com o conteúdo reproduzido pelo TTS. Valor padrão: false. Quando ativado, as mensagens salvas do LLM correspondem ao conteúdo realmente reproduzido pelo TTS.

[
  {"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."}
]

O ID do modelo do avatar.

Especifica se a interrupção por fala deve ser ativada. Valor padrão: true.

Especifica como lidar com a fala do usuário que ocorre durante uma seção não interrompível da enunciação do agente.

• cache: Armazena em cache a fala do usuário e a processa no próximo turno de conversação.

• discard: Descarta a fala do usuário.

Valor padrão: cache.

Especifica se as palavras de interrupção devem ser incluídas no texto enviado ao LLM. Valor padrão: false (as palavras são descartadas).

Especifica se o reconhecimento de impressão vocal deve ser ativado. Valor padrão: false. Se definido como true, você também deve fornecer um VoiceprintId válido.

O identificador exclusivo da impressão vocal. Não é definido por padrão. O ID deve corresponder a uma impressão vocal registrada usando a API de registro de impressão vocal. Para mais informações, consulte Registrar uma impressão vocal.

O modo de registro de impressão vocal. Valor padrão: Explicit.

O modo de detecção de turno de conversação.

• Normal (Padrão): O agente depende de pausas para detectar o fim do turno do usuário.

• Semantic: O agente usa IA para analisar o contexto da conversação e determinar se o usuário terminou de falar.

O tempo de detecção de pausa no modo IA, em milissegundos. Valor padrão: -1.

• -1: A IA determina automaticamente um tempo de espera adequado.

• 0–10000: Um tempo de espera personalizado. Um intervalo de 0–1500 ms é recomendado.

Controla a velocidade de resposta do agente após detectar uma pausa do usuário. Este parâmetro se aplica apenas no modo Semantic. Uma configuração mais alta resulta em uma resposta mais rápida, mas aumenta o risco de interromper o usuário:

• Low: Aguarda pacientemente com um tempo máximo de espera de 6 segundos, reduzindo o risco de interrupção.

• Medium: Um tempo de espera equilibrado (até 4 segundos), adequado para a maioria dos cenários.

• High: Responde rapidamente (até 2 segundos), o que melhora a velocidade, mas pode aumentar o risco de tomada de turno incorreta.

Este campo é vazio por padrão.

O ID do recurso de som ambiente. Você pode obter esse ID nas configurações avançadas da configuração do agente no console.

O volume do som ambiente. Intervalo: 0–100. Um valor de 0 desativa o som.