> ## Documentation Index
> Fetch the complete documentation index at: https://nvd-54.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 使用 LangChain 构建语音智能体

## 概述

聊天界面一直主导着我们与 AI 交互的方式，但多模态 AI 的最新突破正在打开令人兴奋的新可能性。高质量的生成模型和富有表现力的文本转语音 (TTS) 系统现在使构建更像对话伙伴而非工具的智能体成为可能。

语音智能体就是其中之一。你可以用语音与智能体互动，而不是依靠键盘和鼠标输入。这是一种更自然和有吸引力的 AI 交互方式，在某些场景下特别有用。

### 什么是语音智能体？

语音智能体是能够与用户进行自然口语对话的[智能体](/oss/javascript/langchain/agents)。这些智能体结合了语音识别、自然语言处理、生成式 AI 和文本转语音技术，创建无缝、自然的对话。

它们适用于多种用例，包括：

* 客户支持
* 个人助理
* 免提界面
* 教练和培训

### 语音智能体如何工作？

从高层来看，每个语音智能体需要处理三个任务：

1. **听** - 捕获音频并转录
2. **想** - 理解意图、推理、规划
3. **说** - 生成音频并流式传输回用户

区别在于这些步骤如何排序和耦合。在实践中，生产级智能体遵循两种主要架构之一：

#### 1. STT > 智能体 > TTS 架构（"三明治"架构）

三明治架构由三个独立组件组成：语音转文字 (STT)、基于文本的 LangChain 智能体和文本转语音 (TTS)。

```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
flowchart LR
    A[用户音频] --> B[语音转文字]
    B --> C[LangChain 智能体]
    C --> D[文本转语音]
    D --> E[音频输出]

    classDef trigger fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
    classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:2px,color:#030710

    class A,E trigger
    class B,C,D process
```

**优点：**

* 完全控制每个组件（按需切换 STT/TTS 提供商）
* 可以使用现代文本模态模型的最新功能
* 组件之间有清晰边界的透明行为

**缺点：**

* 需要编排多个服务
* 管理流水线的额外复杂性
* 从语音到文本的转换会丢失信息（如语气、情感）

#### 2. 语音到语音架构 (S2S)

语音到语音使用多模态模型，原生处理音频输入和生成音频输出。

```mermaid theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
flowchart LR
    A[用户音频] --> B[多模态模型]
    B --> C[音频输出]

    classDef trigger fill:#F6FFDB,stroke:#6E8900,stroke-width:2px,color:#2E3900
    classDef process fill:#E5F4FF,stroke:#006DDD,stroke-width:2px,color:#030710

    class A,C trigger
    class B process
```

**优点：**

* 更简单的架构，移动部件更少
* 对于简单交互通常延迟更低
* 直接音频处理捕获语气和其他语音细微差别

**缺点：**

* 模型选择有限，供应商锁定风险更大
* 功能可能落后于文本模态模型
* 音频处理方式的透明度较低
* 可控性和自定义选项较少

本指南演示了**三明治架构**，以平衡性能、可控性和对现代模型功能的访问。使用某些 STT 和 TTS 提供商，三明治架构可以实现低于 700ms 的延迟，同时保持对模块化组件的控制。

### 演示应用概述

我们将逐步介绍如何使用三明治架构构建基于语音的智能体。该智能体将管理三明治店的订单。应用将演示三明治架构的所有三个组件，使用 [AssemblyAI](https://www.assemblyai.com/) 进行 STT 和 [Cartesia](https://cartesia.ai/) 进行 TTS（尽管可以为大多数提供商构建适配器）。

完整的端到端参考应用可在 [voice-sandwich-demo](https://github.com/langchain-ai/voice-sandwich-demo) 仓库中获取。我们将在此处介绍该应用。

演示使用 WebSocket 在浏览器和服务器之间进行实时双向通信。相同的架构可以适配其他传输方式，如电话系统（Twilio、Vonage）或 WebRTC 连接。

### 架构

演示实现了一个流式管道，其中每个阶段异步处理数据：

**客户端（浏览器）**

* 捕获麦克风音频并编码为 PCM
* 建立到后端服务器的 WebSocket 连接
* 实时流式传输音频块到服务器
* 接收并播放合成语音音频

**服务器（Node.js）**

* 接受来自客户端的 WebSocket 连接

* 编排三步管道：
  * [语音转文字 (STT)](#1-语音转文字)：将音频转发给 STT 提供商（如 AssemblyAI），接收转录事件
  * [智能体](#2-langchain-智能体)：使用 LangChain 智能体处理转录文本，流式输出响应 Token
  * [文本转语音 (TTS)](#3-文本转语音)：将智能体响应发送给 TTS 提供商（如 Cartesia），接收音频块

* 将合成音频返回给客户端播放

管道使用异步迭代器在每个阶段启用流式处理。这允许下游组件在上游阶段完成之前开始处理，最大限度地减少端到端延迟。

## 设置

有关详细的安装说明和设置，请参阅[仓库 README](https://github.com/langchain-ai/voice-sandwich-demo#readme)。

## 1. 语音转文字

STT 阶段将传入的音频流转换为文本转录。该实现使用生产者-消费者模式来并发处理音频流和转录接收。

### 关键概念

**生产者-消费者模式**：音频块与转录事件的接收并发发送到 STT 服务。这允许在所有音频到达之前就开始转录。

**事件类型**：

* `stt_chunk`：STT 服务处理音频时提供的部分转录
* `stt_output`：触发智能体处理的最终格式化转录

**WebSocket 连接**：维护与 AssemblyAI 实时 STT API 的持久连接，配置为 16kHz PCM 音频并自动进行话轮格式化。

### 实现

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { AssemblyAISTT } from "./assemblyai";
import type { VoiceAgentEvent } from "./types";

async function* sttStream(
  audioStream: AsyncIterable<Uint8Array>
): AsyncGenerator<VoiceAgentEvent> {
  const stt = new AssemblyAISTT({ sampleRate: 16000 });
  const passthrough = writableIterator<VoiceAgentEvent>();

  // 生产者：将音频块发送到 AssemblyAI
  const producer = (async () => {
    try {
      for await (const audioChunk of audioStream) {
        await stt.sendAudio(audioChunk);
      }
    } finally {
      await stt.close();
    }
  })();

  // 消费者：接收转录事件
  const consumer = (async () => {
    for await (const event of stt.receiveEvents()) {
      passthrough.push(event);
    }
  })();

  try {
    // 事件到达时逐个输出
    yield* passthrough;
  } finally {
    // 等待生产者和消费者完成
    await Promise.all([producer, consumer]);
  }
}
```

该应用实现了一个 AssemblyAI 客户端来管理 WebSocket 连接和消息解析。请参阅下面的实现；可以为其他 STT 提供商构建类似的适配器。

<Accordion title="AssemblyAI 客户端">
  ```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  export class AssemblyAISTT {
    protected _bufferIterator = writableIterator<VoiceAgentEvent.STTEvent>();
    protected _connectionPromise: Promise<WebSocket> | null = null;

    async sendAudio(buffer: Uint8Array): Promise<void> {
      const conn = await this._connection;
      conn.send(buffer);
    }

    async *receiveEvents(): AsyncGenerator<VoiceAgentEvent.STTEvent> {
      yield* this._bufferIterator;
    }

    protected get _connection(): Promise<WebSocket> {
      if (this._connectionPromise) return this._connectionPromise;

      this._connectionPromise = new Promise((resolve, reject) => {
        const params = new URLSearchParams({
          sample_rate: this.sampleRate.toString(),
          format_turns: "true",
        });
        const url = `wss://streaming.assemblyai.com/v3/ws?${params}`;
        const ws = new WebSocket(url, {
          headers: { Authorization: this.apiKey },
        });

        ws.on("open", () => resolve(ws));

        ws.on("message", (data) => {
          const message = JSON.parse(data.toString());
          if (message.type === "Turn") {
            if (message.turn_is_formatted) {
              this._bufferIterator.push({
                type: "stt_output",
                transcript: message.transcript,
                ts: Date.now()
              });
            } else {
              this._bufferIterator.push({
                type: "stt_chunk",
                transcript: message.transcript,
                ts: Date.now()
              });
            }
          }
        });
      });

      return this._connectionPromise;
    }
  }
  ```
</Accordion>

## 2. LangChain 智能体

智能体阶段通过 LangChain [智能体](/oss/javascript/langchain/agents)处理文本转录并流式输出响应 Token。在这个例子中，我们流式传输智能体生成的所有[文本内容块](/oss/javascript/langchain/messages#content-block-reference)。

### 关键概念

**流式响应**：智能体使用 [`stream_mode="messages"`](/oss/javascript/langchain/streaming#llm-tokens) 在生成时发出响应 Token，而不是等待完整响应。这使 TTS 阶段能够立即开始合成。

**对话记忆**：[检查点器](/oss/javascript/langchain/short-term-memory)使用唯一的线程 ID 跨对话轮次维护对话状态。这允许智能体在对话中引用之前的交流。

### 实现

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { createAgent } from "langchain";
import { HumanMessage } from "@langchain/core/messages";
import { MemorySaver } from "@langchain/langgraph";
import { tool } from "@langchain/core/tools";
import { z } from "zod";
import { v7 as uuid7 } from "uuid";

// 定义智能体工具
const addToOrder = tool(
  async ({ item, quantity }) => {
    return `Added ${quantity} x ${item} to the order.`;
  },
  {
    name: "add_to_order",
    description: "将商品添加到客户的三明治订单中。",
    schema: z.object({
      item: z.string(),
      quantity: z.number(),
    }),
  }
);

const confirmOrder = tool(
  async ({ orderSummary }) => {
    return `Order confirmed: ${orderSummary}. Sending to kitchen.`;
  },
  {
    name: "confirm_order",
    description: "与客户确认最终订单。",
    schema: z.object({
      orderSummary: z.string().describe("订单摘要"),
    }),
  }
);

// 创建带有工具和记忆的智能体
const agent = createAgent({
  model: "claude-haiku-4-5",
  tools: [addToOrder, confirmOrder],
  checkpointer: new MemorySaver(),
  systemPrompt: `You are a helpful sandwich shop assistant.
Your goal is to take the user's order. Be concise and friendly.
Do NOT use emojis, special characters, or markdown.
Your responses will be read by a text-to-speech engine.`,
});

async function* agentStream(
  eventStream: AsyncIterable<VoiceAgentEvent>
): AsyncGenerator<VoiceAgentEvent> {
  // 为对话记忆生成唯一线程 ID
  const threadId = uuidv4();

  for await (const event of eventStream) {
    // 透传所有上游事件
    yield event;

    // 通过智能体处理最终转录
    if (event.type === "stt_output") {
      const stream = await agent.stream(
        { messages: [new HumanMessage(event.transcript)] },
        {
          configurable: { thread_id: threadId },
          streamMode: "messages",
        }
      );

      // 智能体响应块到达时逐个输出
      for await (const [message] of stream) {
        yield { type: "agent_chunk", text: message.text, ts: Date.now() };
      }
    }
  }
}
```

## 3. 文本转语音

TTS 阶段将智能体响应文本合成为音频并流式传输回客户端。与 STT 阶段类似，它使用生产者-消费者模式来并发处理文本发送和音频接收。

### 关键概念

**并发处理**：该实现合并了两个异步流：

* **上游处理**：透传所有事件并将智能体文本块发送到 TTS 提供商
* **音频接收**：从 TTS 提供商接收合成音频块

**流式 TTS**：某些提供商（如 [Cartesia](https://cartesia.ai/)）一收到文本就开始合成音频，使音频播放可以在智能体完成生成完整响应之前开始。

**事件透传**：所有上游事件不变地流过，允许客户端或其他观察者跟踪完整的管道状态。

### 实现

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
import { CartesiaTTS } from "./cartesia";

async function* ttsStream(
  eventStream: AsyncIterable<VoiceAgentEvent>
): AsyncGenerator<VoiceAgentEvent> {
  const tts = new CartesiaTTS();
  const passthrough = writableIterator<VoiceAgentEvent>();

  // 生产者：读取上游事件并将文本发送到 Cartesia
  const producer = (async () => {
    try {
      for await (const event of eventStream) {
        passthrough.push(event);
        if (event.type === "agent_chunk") {
          await tts.sendText(event.text);
        }
      }
    } finally {
      await tts.close();
    }
  })();

  // 消费者：从 Cartesia 接收音频
  const consumer = (async () => {
    for await (const event of tts.receiveEvents()) {
      passthrough.push(event);
    }
  })();

  try {
    // 从生产者和消费者输出事件
    yield* passthrough;
  } finally {
    await Promise.all([producer, consumer]);
  }
}
```

该应用实现了一个 Cartesia 客户端来管理 WebSocket 连接和音频流。请参阅下面的实现；可以为其他 TTS 提供商构建类似的适配器。

<Accordion title="Cartesia 客户端">
  ```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
  export class CartesiaTTS {
    protected _bufferIterator = writableIterator<VoiceAgentEvent.TTSEvent>();
    protected _connectionPromise: Promise<WebSocket> | null = null;

    async sendText(text: string | null): Promise<void> {
      if (!text || !text.trim()) return;

      const conn = await this._connection;
      const payload = { text, try_trigger_generation: false };
      conn.send(JSON.stringify(payload));
    }

    async *receiveEvents(): AsyncGenerator<VoiceAgentEvent.TTSEvent> {
      yield* this._bufferIterator;
    }

    protected _generateContextId(): string {
      const timestamp = Date.now();
      const counter = this._contextCounter++;
      return `ctx_${timestamp}_${counter}`;
    }

    protected get _connection(): Promise<WebSocket> {
      if (this._connectionPromise) return this._connectionPromise;

      this._connectionPromise = new Promise((resolve, reject) => {
        const params = new URLSearchParams({
          api_key: this.apiKey,
          cartesia_version: this.cartesiaVersion,
        });
        const url = `wss://api.cartesia.ai/tts/websocket?${params.toString()}`;
        const ws = new WebSocket(url);

        ws.on("open", () => {
          resolve(ws);
        });

        ws.on("message", (data: WebSocket.RawData) => {
          const message: CartesiaTTSResponse = JSON.parse(data.toString());
          if (message.data) {
            this._bufferIterator.push({
              type: "tts_chunk",
              audio: message.data,
              ts: Date.now(),
            });
          } else if (message.error) {
            throw new Error(`Cartesia error: ${message.error}`);
          }
        });
      });

      return this._connectionPromise;
    }
  }
  ```
</Accordion>

### LangSmith

你使用 LangChain 构建的许多应用将包含多个步骤和多次 LLM 调用。随着这些应用变得更加复杂，能够检查链或智能体内部确切发生了什么变得至关重要。最好的方法是使用 [LangSmith](https://smith.langchain.com?utm_source=docs\&utm_medium=cta\&utm_campaign=langsmith-signup\&utm_content=oss-langchain-voice-agent)。

在上面的链接注册后，确保设置环境变量以开始记录追踪：

```shell theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
export LANGSMITH_TRACING="true"
export LANGSMITH_API_KEY="..."
```

## 完整整合

完整的管道将三个阶段链接在一起：

```typescript theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}}
// 使用 https://hono.dev/
app.get("/ws", upgradeWebSocket(async () => {
  const inputStream = writableIterator<Uint8Array>();

  // 链接三个阶段
  const transcriptEventStream = sttStream(inputStream);
  const agentEventStream = agentStream(transcriptEventStream);
  const outputEventStream = ttsStream(agentEventStream);

  // 处理管道并将 TTS 音频发送到客户端
  const flushPromise = (async () => {
    for await (const event of outputEventStream) {
      if (event.type === "tts_chunk") {
        currentSocket?.send(event.audio);
      }
    }
  })();

  return {
    onMessage(event) {
      // 将传入音频推入管道
      const data = event.data;
      if (Buffer.isBuffer(data)) {
        inputStream.push(new Uint8Array(data));
      }
    },
    async onClose() {
      inputStream.cancel();
      await flushPromise;
    },
  };
}));
```

每个阶段独立且并发地处理事件：音频到达后立即开始转录，转录文本可用后智能体立即开始推理，智能体文本生成后立即开始语音合成。这种架构可以实现低于 700ms 的延迟，支持自然对话。

有关使用 LangChain 构建智能体的更多信息，请参阅[智能体指南](/oss/javascript/langchain/agents)。

***

<div className="source-links">
  <Callout icon="terminal-2">
    [将这些文档连接](/use-these-docs)到 Claude、VSCode 等工具，通过 MCP 获取实时解答。
  </Callout>

  <Callout icon="edit">
    [在 GitHub 上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/langchain/voice-agent.mdx) 或 [提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。
  </Callout>
</div>