← Каталог

· AI Engineer World's Fair 2025

Pipecat Cloud: корпоративные голосовые агенты на базе open source

Pipecat Cloud: Enterprise Voice Agents Built On Open Source

Задержка голосового агента складывается из сетевых переходов, поэтому один дальний запрос к инференсу выгоднее нескольких, а цель 800 миллисекунд voice-to-voice достижима на открытом Pipecat.

  • Бюджет задержки — пользователи ждут ответ около 500 миллисекунд, цель спикера 800; каждый дальний запрос съедает этот бюджет, поэтому выгоднее один длинный переход до сервера и короткие вызовы рядом с ним.
  • Turn detection и шум — открытая модель Smart Turn определяет конец реплики, а фоновые голоса дают ложные прерывания; для шумов спикер советует Krisp, который бесплатен в Pipecat Cloud.
  • Speech-to-speech пока не замена — нативные аудио-модели Gemini и OpenAI хороши в живом диалоге, но по словам спикера хуже следуют инструкциям и function calling, чем текстовый режим.
  • Холодный старт — Pipecat Cloud, тонкая обёртка над Docker и Kubernetes, решает старт и автомасштабирование долгих голосовых сессий; это презентация продукта Daily, но требования к сети и старту полезны сами по себе.

Кому полезно: тем, кто выводит голосовых агентов в продакшен и выбирает между каскадом STT, LLM и TTS и speech-to-speech моделями.

Доклад цитируется в статьях

Главы

Ещё доклады: Kwindla Hultman Kramer

Страница спикера →

Похожие доклады