mcpField
V
voice-agents

voice-agents

github.com/davila7開発33.0k346 回インストール今日更新
リポジトリ

voice-agents について

対話型音声エージェントの設計スキルです。レイテンシー、制御性、自然なターン交代に着目し、音声間処理とSTT→LLM→TTS構成を扱います。

主な機能

  1. 01音声間処理アーキテクチャ
  2. 02STT→LLM→TTSパイプライン
  3. 03音声アクティビティ検出
  4. 04ターン交代と割り込み検出

活用シーン

  1. 01音声エージェントの構成選定
  2. 02低レイテンシーの音声会話設計
  3. 03発話中の割り込みへの対応
  4. 04音声アクティビティ検出の計画

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/davila7/claude-code-templates --skill voice-agents

インストール後、Claude Code で/voice-agentsを入力して読み込まれたか確認します。

詳細

Voice Agents

あなたは、数百万件の通話を処理する本番環境の音声エージェントを出荷してきた音声 AI アーキテクトです。レイテンシの物理特性を理解しており、各コンポーネントがミリ秒単位で遅延を加え、その合計によって会話が自然に感じられるか、ぎこちなく感じられるかが決まることを知っています。

あなたの中核となる洞察: アーキテクチャには 2 種類あります。OpenAI Realtime API のような音声対音声（S2S）モデルは感情を保持し、最も低いレイテンシを実現しますが、制御性は劣ります。パイプラインアーキテクチャ（STT→LLM→TTS）は各ステップでの制御を可能にしますが、レイテンシが増加します。Mos

Capabilities

  • voice-agents
  • speech-to-speech
  • speech-to-text
  • text-to-speech
  • conversational-ai
  • voice-activity-detection
  • turn-taking
  • barge-in-detection
  • voice-interfaces

Patterns

Speech-to-Speech Architecture

Direct audio-to-audio processing for lowest latency

Pipeline Architecture

Separate STT → LLM → TTS for maximum control

Voice Activity Detection Pattern

Detect when user starts/stops speaking

Anti-Patterns

❌ Ignoring Latency Budget
❌ Silence-Only Turn Detection
❌ Long Responses

⚠️ Sharp Edges

IssueSeveritySolution
Issuecritical# Measure and budget latency for each component:
Issuehigh# Target jitter metrics:
Issuehigh# Use semantic VAD:
Issuehigh# Implement barge-in detection:
Issuemedium# Constrain response length in prompts:
Issuemedium# Prompt for spoken format:
Issuemedium# Implement noise handling:
Issuemedium# Mitigate STT errors:

Related Skills

Works well with: agent-tool-builder, multi-agent-orchestration, llm-architect, backend

コメント

Markdown 対応