AiHummer
Dansk▾
Log indKonto
v1.3.x▾
v1.3.xstablev1.2.xstablev1.1.xstablev1.0.xstable
{ }Swagger
Stemme/Tale ind og ud (STT / TTS)

Tale ind og ud (STT / TTS)

v1.3.x · opdateret 2026-09-15

AiHummer håndterer tale ind og tale ud af boksen — ingen betalt tale-API kræves. Et indkommende lydklip transskriberes (STT), teksten styrer en normal agenttur, og svaret bliver talt tilbage (TTS). Begge motorer er gratis og lokal og kør som sidevogne: faster-whisper til transskription og edge-tts til syntese.

Hvordan en stemmeomskifter fungerer

Et stemmeskift er et normalt agent-skift med lyd på begge ender:

  1. Gatewayet sender den indgående lyd til STT sidevogn (:8001, faster-whisper) og får teksten tilbage.
  2. Den tekst driver den sædvanlige funktionskalds-turn — samme router, orkestrator, værktøjer og hukommelse som en tekstbesked.
  3. Svarteksten sendes til TTS sidecar (:8002, edge-tts) og den talt lyd returneres til opkalderen.

Dette er eksponeret som et enkelt endepunkt, POST /v1/voice/turn, så en kanal eller klient kan overlevere lyd og modtage lyd uden selv at orkestrere trinnene.

Endepunkterne

Metode Endepunkt Formål
POST /v1/voice/turn Lyd ind → agentens tur → lyd ud
GET /v1/voice/config Nuværende stemmekonfiguration (motorer, justeringsknapper) 
POST /v1/voice/turn HTTP/1.1
Host: localhost:8780
Content-Type: application/json

{
  "audio": "<base64-encoded clip>",
  "format": "wav"
}

[!NOTE] Taleegenskaber er en del af kerne — de er ikke bundet til SIP-plugin’et. SIP-kanal bruger disse samme STT/TTS-motorer til sin local motor, men stemme ind/ud virker for enhver klient, der ringer /v1/voice/turn.

Stemme-sidecars

Havn Sidevogn Motor Rolle Forbundet med
8001 STT hurtigere-hvisken tale → tekst AIHUMMER_STT_URL
8002 TTS edge-tts tekst → tale AIHUMMER_TTS_URL

Begge motorer er gratis og lokale: intet sendes til en betalt taleudbyder. Som med enhver sidevogn, når gatewayen dem ved URL, så du kan køre dem ved siden af gatewayen eller på en delt instans.

Ledningsføring

Den host-native installer indstiller STT- og TTS-URL’erne for dig. De er katalogindstillinger — ændre dem fra admin-brugergrænsefladen (Administration → Indstillinger) eller med aihummer settings set; gateway.env er kun bootstrap og ignoreres for disse:

# Voice in/out (auto-configured by the installer)
aihummer settings set AIHUMMER_STT_URL http://127.0.0.1:8001
aihummer settings set AIHUMMER_TTS_URL http://127.0.0.1:8002

[!TIP] Fordi hver sidevogn kun er en URL, kan flere gateways dele én STT/TTS forekomst. Centraliser de tungere tale tjenester i stedet for at køre en kopi pr vært.

Indstilling af lydvejen

Stemmekvalitetsknapper lever i Medier · Stemme indstillingsgruppe og kan konfigureres fra webadministrationsbrugerfladen — ingen genudrulning nødvendig. De dækker den realtids lydsti:

Knop Hvad det styrer
Dupleks Full-duplex (lyt mens du taler) vs half-duplex
AEC Akustisk ekkoudsletning
Støjundertrykkelse Filtrerer baggrundsstøj før STT
AGC Automatisk forstærkningskontrol (niveau normalisering)
VAD-tærskel Følsomhed for stemmeaktivitetsdetektion
Afbryd Lad opkalderen afbryde agenten midt i svaret

GET /v1/voice/config returnerer den effektive konfiguration, så en klient kan opdage de aktive motorer og disse indstillinger.

Automatiske talesvar

Tre indstillinger i gruppen „Media · Voice“ (webgrænseflade → Administration → Indstillinger) afgør, hvornår et færdigt svar læses op:

Indstilling Nøgle Værdier
Automatiske talesvar AIHUMMER_TTS_AUTO_REPLY off — aldrig; always — altid; inbound (standard) — kun som svar på indgående lyd; tagged — når agenten udtrykkeligt markerer svaret til oplæsning
Tegngrænse for oplæsning AIHUMMER_TTS_MAX_CHARS 0 (standard) — læs hele svaret op; 100–10000 — grænse for den oplæste tekst
Opsummér lange talesvar AIHUMMER_TTS_SUMMARIZE slået til som standard: et langt svar forkortes af modellen til grænsen; er modellen utilgængelig, læses tekstens begyndelse op

Svarets fulde tekst forbliver i dialoghistorikken i alle tilstande. off slår kun den automatiske oplæsning fra — en udtrykkelig anmodning om syntese via værktøjet tts virker stadig.

For en enkelt dialog kan agenten på samtalepartnerens anmodning tilsidesætte disse værdier med værktøjerne voice_preferences (læs de gældende værdier) og set_voice_preferences (sæt auto, max_chars, summarize; et tomt objekt genopretter instansens standarder). Kun en deltager i dialogen kan skrive. Taleoutput opfanger en udbyder, der først er tilsluttet efter gatewayens start, og respekterer den enkelte brugers indstillinger.

Hvor til næste