Обзор

В этом руководстве показано, как собрать агентного голосового ассистента, который слушает, понимает, рассуждает по нескольким шагам, планирует действия и отвечает естественной речью в реальном времени. Система объединяет распознавание речи, извлечение намерений и сущностей, многомаштабное рассуждение и синтез речи с использованием моделей вроде Whisper и SpeechT5. Включены рабочие примеры кода и демонстрация, показывающая, как восприятие, рассуждение и выполнение работают вместе.

Требования и установка

Установите необходимые библиотеки для распознавания и синтеза речи и инициализируйте окружение.

import subprocess
import sys
import json
import re
from datetime import datetime
from typing import Dict, List, Tuple, Any
 
 
def install_packages():
   packages = ['transformers', 'torch', 'torchaudio', 'datasets', 'soundfile',
               'librosa', 'IPython', 'numpy']
   for pkg in packages:
       subprocess.check_call([sys.executable, '-m', 'pip', 'install', '-q', pkg])
 
 
print(" Initializing Agentic Voice AI...")
install_packages()
 
 
import torch
import soundfile as sf
import numpy as np
from transformers import (AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline,
                        SpeechT5Processor, SpeechT5ForTextToSpeech, SpeechT5HifiGan)
from IPython.display import Audio, display, HTML
import warnings
warnings.filterwarnings('ignore')

Слой восприятия: транскрипция и извлечение смысла

Слой восприятия преобразует аудио в текст и извлекает намерение, сущности и тональность. Перцепции сохраняются в памяти для контекстно-зависимых ответов.

class VoiceAgent:
   def __init__(self):
       self.memory = []
       self.context = {}
       self.tools = {}
       self.goals = []
      
   def perceive(self, audio_input: str) -> Dict[str, Any]:
       intent = self._extract_intent(audio_input)
       entities = self._extract_entities(audio_input)
       sentiment = self._analyze_sentiment(audio_input)
       perception = {
           'text': audio_input,
           'intent': intent,
           'entities': entities,
           'sentiment': sentiment,
           'timestamp': datetime.now().isoformat()
       }
       self.memory.append(perception)
       return perception
  
   def _extract_intent(self, text: str) -> str:
       text_lower = text.lower()
       intent_patterns = {
           'create': ['create', 'make', 'generate', 'write'],
           'search': ['search', 'find', 'look for', 'show me'],
           'analyze': ['analyze', 'explain', 'understand', 'what is'],
           'calculate': ['calculate', 'compute', 'how much', 'sum'],
           'schedule': ['schedule', 'plan', 'set reminder', 'meeting'],
           'translate': ['translate', 'say in', 'convert to'],
           'summarize': ['summarize', 'brief', 'tldr', 'overview']
       }
       for intent, keywords in intent_patterns.items():
           if any(kw in text_lower for kw in keywords):
               return intent
       return 'conversation'
  
   def _extract_entities(self, text: str) -> Dict[str, List[str]]:
       entities = {
           'numbers': re.findall(r'\d+', text),
           'dates': re.findall(r'\b\d{1,2}/\d{1,2}/\d{2,4}\b', text),
           'times': re.findall(r'\b\d{1,2}:\d{2}\s*(?:am|pm)?\b', text.lower()),
           'emails': re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', text)
       }
       return {k: v for k, v in entities.items() if v}
  
   def _analyze_sentiment(self, text: str) -> str:
       positive = ['good', 'great', 'excellent', 'happy', 'love', 'thank']
       negative = ['bad', 'terrible', 'sad', 'hate', 'angry', 'problem']
       text_lower = text.lower()
       pos_count = sum(1 for word in positive if word in text_lower)
       neg_count = sum(1 for word in negative if word in text_lower)
       if pos_count > neg_count:
           return 'positive'
       elif neg_count > pos_count:
           return 'negative'
       return 'neutral'

Рассуждение и планирование

Агент сопоставляет намерения с целями, проверяет предварительные условия, создаёт пошаговые планы и вычисляет уверенность. Каждый план затем выполняется по шагам.

def reason(self, perception: Dict) -> Dict[str, Any]:
       intent = perception['intent']
       reasoning = {
           'goal': self._identify_goal(intent),
           'prerequisites': self._check_prerequisites(intent),
           'plan': self._create_plan(intent, perception['entities']),
           'confidence': self._calculate_confidence(perception)
       }
       return reasoning
  
   def act(self, reasoning: Dict) -> str:
       plan = reasoning['plan']
       results = []
       for step in plan['steps']:
           result = self._execute_step(step)
           results.append(result)
       response = self._generate_response(results, reasoning)
       return response
  
   def _identify_goal(self, intent: str) -> str:
       goal_mapping = {
           'create': 'Generate new content',
           'search': 'Retrieve information',
           'analyze': 'Understand and explain',
           'calculate': 'Perform computation',
           'schedule': 'Organize time-based tasks',
           'translate': 'Convert between languages',
           'summarize': 'Condense information'
       }
       return goal_mapping.get(intent, 'Assist user')
  
   def _check_prerequisites(self, intent: str) -> List[str]:
       prereqs = {
           'search': ['internet access', 'search tool'],
           'calculate': ['math processor'],
           'translate': ['translation model'],
           'schedule': ['calendar access']
       }
       return prereqs.get(intent, ['language understanding'])
  
   def _create_plan(self, intent: str, entities: Dict) -> Dict:
       plans = {
           'create': {'steps': ['understand_requirements', 'generate_content', 'validate_output'], 'estimated_time': '10s'},
           'analyze': {'steps': ['parse_input', 'analyze_components', 'synthesize_explanation'], 'estimated_time': '5s'},
           'calculate': {'steps': ['extract_numbers', 'determine_operation', 'compute_result'], 'estimated_time': '2s'}
       }
       default_plan = {'steps': ['understand_query', 'process_information', 'formulate_response'], 'estimated_time': '3s'}
       return plans.get(intent, default_plan)

Уверенность, выполнение и генерация ответа

Вспомогательные функции вычисляют уровень уверенности, выполняют шаги плана (в примере это заглушки) и генерируют текстовый ответ, отражающий заключение агента и память о диалоге.

 def _calculate_confidence(self, perception: Dict) -> float:
       base_confidence = 0.7
       if perception['entities']:
           base_confidence += 0.15
       if perception['sentiment'] != 'neutral':
           base_confidence += 0.1
       if len(perception['text'].split()) > 5:
           base_confidence += 0.05
       return min(base_confidence, 1.0)
  
   def _execute_step(self, step: str) -> Dict:
       return {'step': step, 'status': 'completed', 'output': f'Executed {step}'}
  
   def _generate_response(self, results: List, reasoning: Dict) -> str:
       intent = reasoning['goal']
       confidence = reasoning['confidence']
       prefix = "I understand you want to" if confidence > 0.8 else "I think you're asking me to"
       response = f"{prefix} {intent.lower()}. "
       if len(self.memory) > 1:
           response += "Based on our conversation, "
       response += f"I've analyzed your request and completed {len(results)} steps. "
       return response

Голосовой ввод/вывод: Whisper и SpeechT5

Модуль загружает голосовые модели и предоставляет методы listen и speak. Используется Whisper для ASR и SpeechT5 с HiFi-GAN для генерации речи.

class VoiceIO:
   def __init__(self):
       print("Loading voice models...")
       device = "cuda:0" if torch.cuda.is_available() else "cpu"
       self.stt_pipe = pipeline("automatic-speech-recognition", model="openai/whisper-base", device=device)
       self.tts_processor = SpeechT5Processor.from_pretrained("microsoft/speecht5_tts")
       self.tts_model = SpeechT5ForTextToSpeech.from_pretrained("microsoft/speecht5_tts")
       self.vocoder = SpeechT5HifiGan.from_pretrained("microsoft/speecht5_hifigan")
       self.speaker_embeddings = torch.randn(1, 512) * 0.1
       print("✓ Voice I/O ready")
  
   def listen(self, audio_path: str) -> str:
       result = self.stt_pipe(audio_path)
       return result['text']
  
   def speak(self, text: str, output_path: str = "response.wav") -> Tuple[str, np.ndarray]:
       inputs = self.tts_processor(text=text, return_tensors="pt")
       speech = self.tts_model.generate_speech(inputs["input_ids"], self.speaker_embeddings, vocoder=self.vocoder)
       sf.write(output_path, speech.numpy(), samplerate=16000)
       return output_path, speech.numpy()

Интеграция: интерактивный ассистент

Объединяем агента и VoiceIO, реализуя цикл обработки: слушать, воспринимать, рассуждать, действовать, говорить.

 
class AgenticVoiceAssistant:
   def __init__(self):
       self.agent = VoiceAgent()
       self.voice_io = VoiceIO()
       self.interaction_count = 0
      
   def process_voice_input(self, audio_path: str) -> Dict:
       text_input = self.voice_io.listen(audio_path)
       perception = self.agent.perceive(text_input)
       reasoning = self.agent.reason(perception)
       response_text = self.agent.act(reasoning)
       audio_path, audio_array = self.voice_io.speak(response_text)
       self.interaction_count += 1
       return {
           'input_text': text_input,
           'perception': perception,
           'reasoning': reasoning,
           'response_text': response_text,
           'audio_path': audio_path,
           'audio_array': audio_array
       }

Визуализация рассуждений и демонстрация

Функция run_agentic_demo симулирует сценарии, заставляет ассистента обработать их как аудио, отображает рассуждение и проигрывает ответы. Демонстрация подчёркивает возможности агента: восприятие, распознавание намерений, планирование, выполнение и голосовой ответ.

  def display_reasoning(self, result: Dict):
       html = f"""
       <div style='background: #1e1e1e; color: #fff; padding: 20px; border-radius: 10px; font-family: monospace;'>
           <h2 style='color: #4CAF50;'> Agent Reasoning Process</h2>
           <div><strong style='color: #2196F3;'> INPUT:</strong> {result['input_text']}</div>
           <div><strong style='color: #FF9800;'> PERCEPTION:</strong>
               <ul>
                   <li>Intent: {result['perception']['intent']}</li>
                   <li>Entities: {result['perception']['entities']}</li>
                   <li>Sentiment: {result['perception']['sentiment']}</li>
               </ul>
           </div>
           <div><strong style='color: #9C27B0;'> REASONING:</strong>
               <ul>
                   <li>Goal: {result['reasoning']['goal']}</li>
                   <li>Plan: {len(result['reasoning']['plan']['steps'])} steps</li>
                   <li>Confidence: {result['reasoning']['confidence']:.2%}</li>
               </ul>
           </div>
           <div><strong style='color: #4CAF50;'> RESPONSE:</strong> {result['response_text']}</div>
       </div>
       """
       display(HTML(html))

 
def run_agentic_demo():
   print("\n" + "="*70)
   print(" AGENTIC VOICE AI ASSISTANT")
   print("="*70 + "\n")
   assistant = AgenticVoiceAssistant()
   scenarios = [
       "Create a summary of machine learning concepts",
       "Calculate the sum of twenty five and thirty seven",
       "Analyze the benefits of renewable energy"
   ]
   for i, scenario_text in enumerate(scenarios, 1):
       print(f"\n--- Scenario {i} ---")
       print(f"Simulated Input: '{scenario_text}'")
       audio_path, _ = assistant.voice_io.speak(scenario_text, f"input_{i}.wav")
       result = assistant.process_voice_input(audio_path)
       assistant.display_reasoning(result)
       print("\n Playing agent's voice response...")
       display(Audio(result['audio_array'], rate=16000))
       print("\n" + "-"*70)
   print(f"\n Completed {assistant.interaction_count} agentic interactions")
   print("\n Key Agentic Capabilities Demonstrated:")
   print("  • Autonomous perception and understanding")
   print("  • Intent recognition and entity extraction")
   print("  • Multi-step reasoning and planning")
   print("  • Goal-driven action execution")
   print("  • Natural language response generation")
   print("  • Memory and context management")
 
 
if __name__ == "__main__":
   run_agentic_demo()

Итог

Пример демонстрирует, как объединить модули восприятия, рассуждения и исполнения в голосовом интерфейсе. Это практичная база для дальнейшего расширения: подключите внешние инструменты, улучшите планирование и интегрируйте более продвинутые модели по потребности.

Создание агентного голосового ИИ, который понимает, планирует и говорит автономно