nemotron-voice-agent-builder

创建语音 Agent

创建可正常运行的 NVIDIA 语音 Agent，或更新现有项目：

• 级联式：ASR 转录语音，文本 LLM 作答，TTS 将答案转换为语音。
• Omni：一个音频输入 LLM 取代 ASR 和文本 LLM，仍由 TTS 将答案转换为语音。

何时使用此技能

当用户希望在 Pipecat 或 LiveKit 上构建、搭建框架、配置、完善或修复 NVIDIA 语音 Agent 时，使用此技能。语音 Agent 是一种实时语音流水线，包含音频输入和语音输出。此技能涵盖级联式（ASR → LLM → TTS）和 Omni（音频输入 LLM + TTS）流水线、语音定制（ASR 词语加权、TTS 发音）、多语言路由，以及在工作站、DGX Spark 或 Jetson Thor 上进行云端或本地部署（NIM、vLLM、NeMo-Speech.cpp）。

请勿将此技能用于纯文本聊天机器人或 RAG、独立的批量语音转文本、通用 Docker 或基础设施支持，或与语音 Agent 流水线无关的 CUDA 或模型工作。

工作流

在进入各阶段之前，先判断项目的起始状态：

• 对于空项目，按顺序执行所有阶段。
• 对于正常运行的现有项目，先阅读 references/operations/iterate.md，然后仅选择此次更改所需的参考文件。
• 对于有故障的现有项目，先阅读 references/operations/troubleshoot.md。恢复基线后，再继续阅读 references/operations/iterate.md。

对于空项目，按顺序执行以下阶段：

阶段	阅读内容
1. 需求收集	references/intake.md 首先确定流水线和框架，然后引导至预检、模型、语言和领域文件
2. 构建	若为可自托管，则阅读 references/platforms/readiness.md → 路由到的模型文件中的确切配置或量化变体 → references/output-contract.md → 路由到的部署路径 → references/operations/observability.md → 所选框架文件
3. 移交	references/operations/run.md 要求客户端通过生成的 scripts/smoke.sh 检查，然后在语音交互失败时阅读 references/operations/troubleshoot.md
4. 迭代	修改正常运行的 Agent 时阅读 references/operations/iterate.md

写入文件前请等待批准。

references/preflight.md §4 会检测主机并选择部署路径。之后，该路径由路由到的平台文件负责。

当 Pipecat WebRTC 跨主机或网络运行时，也请阅读 references/networking/remote-webrtc.md。

规则

• 在构建时，根据 NVIDIA 最新文档确定每个模型 ID、镜像标签、配置和服务标志。切勿凭记忆决定。
• 生成代码前，阅读所有路由到的文件，并遵循需求收集阶段批准的语言与行为约束。
• 移交前必须成功完成一次语音交互。进程正在运行，并不代表语音 Agent 可以正常工作。