Leia o original e a versao atualizada no PromptX.blog: https://promptx.blog/blog/agentes-voz-tempo-real-webrtc-full-duplex-gemini-astra-fable/
Durante a primeira onda de assistentes virtuais baseados em grandes modelos de linguagem, a interface conversacional por voz operou sob uma arquitetura de remendos estruturais conhecida na engenharia como Pipeline em Cascata (Cascaded Voice Pipeline). O usuário falava ao microfone, o áudio era gravado em um buffer temporário de silêncio, transmitido via HTTP para um modelo de Reconhecimento Automático de Fala (STT / ASR), convertido em texto alfanumérico, injetado no prompt de um modelo de linguagem (LLM), que gerava uma resposta em texto token a token, a qual era finalmente enviada para um sintetizador de voz (TTS) para gerar um arquivo de áudio WAV ou MP3 e reproduzi-lo no alto-falante.
👉 Leia o artigo completo no PromptX.blog
Análise integral — tabelas, benchmarks e código — em *promptx.blog*.
Top comments (0)