可视化智能体是语音小伴侣智能体的升级版，支持语音与视频的双模态交互。本文详细介绍了音视频交互的实现原理、智能体搭建方法及效果测试，帮助开发者快速构建支持音视频交互的智能体。
应用场景
可视化智能体适用于多种场景，举例如下：
- 智能穿戴：用户可以通过智能眼镜等设备与智能体交互，实时获取导航指引，识别周边地标并接收语音或文字提示，提升出行便捷性与安全性。
- 智慧家居：用户通过音视频与智能家居设备交互，可远程查看空调、灯光等智能家电的状态，实时监控漏水、外人入侵等异常情况并触发报警，从而提升家居生活的便捷性和安全性。
- 智慧医疗：医护人员通过音视频与患者远程会诊，患者可在线展示症状（舌苔 / 伤口等），智能体自动识别分析初步判断病因，同步病历数据、调取检验报告并提供辅助诊断建议，优化远程医疗流程。
- 智能客服：企业客服场景中，用户通过音视频描述问题（如产品故障画面），智能体结合语音语义与视频画面精准定位需求，实时生成解决方案，支持复杂问题一键转接人工并附详细记录，提升服务效率与用户体验。
实现原理
扣子音视频交互的业务流程如下图所示。
业务流程说明如下：
- 设备端采集音视频数据。
- 视频采集：设备通过摄像头进行视频采集，生成视频流。
- 音频采集：设备利用麦克风进行音频采集，产生音频流。
- RTC 网关处理音视频流。
- 视频流：从设备端传输至 RTC 网关后，RTC 网关对视频流进行抽帧操作，将视频流转换为图片流。
- 音频流：保持原始音频流传输，推送至扣子服务。
- 扣子智能体对音视频数据进行智能处理并反馈结果。
- 音频处理：音频流进入扣子服务中的自动语音识别（ASR）模块，将音频流转换为文本流。
- 智能处理与反馈：文本流和图片流输入智能体后，智能体根据预设的逻辑和模型进行处理。处理结果一方面传输至文本转语音（TTS）模块，TTS 模块将文本转换为音频流，该音频流传输至设备的扬声器进行播放，从而实现语音交互功能；另一方面，智能体结合图片信息和用户输入的文本信息，生成更精准、更丰富的交互内容。
搭建智能体
本场景中，你需要搭建一个能够支持音视频通话的智能体。扣子支持多种方式搭建音视频通话的智能体，以下是各方案的优缺点及适用场景：
|-----------------|-------------------------------|-----------------------------------------------------|
| 方案 | 适用场景 | 优缺点 |
| 单 Agent（对话流模式） | 对实时性要求较高的场景。 | * 灵活且高效，时延较低。 * 通过对话流编排，能够清晰地定义不同节点的逻辑，便于搭建复杂的业务场景。 |
| 单 Agent（自主规划模式） | 简单的闲聊，对时延要求不高的场景，不适用于复杂的逻辑场景。 | * 配置简单，易于上手。 * 智能体中添加插件和工作流会导致延时增加。 |
方案一：单 Agent（自主规划模式）智能体
创建单 Agent（自主规划模式） 类型的智能体，选择支持视觉理解的模型，例如豆包·视觉理解·Pro模型。
在人设与回复逻辑区域，设计智能体的角色和回复逻辑。例如：
你是一个带眼睛的智能体，看到的东西通过图片传给你，请结合图片和用户的输入进行口语化回答。
测试智能体效果，并将智能体发布到 API 或其他渠道。
方案二：单 Agent（对话流模式）智能体
本场景基于语音小伴侣模板进行改造，在支持语音闲聊的基础上，增加视频闲聊的功能，实现语音 ＋ 视觉双模态交互。
步骤 1：复制模板
打开语音小伴侣智能体，然后单击复制。
选择智能体的所属空间并输入一个智能体名称，然后单击确定。
在智能体编排页面开启视频通话，开启后，扣子会自动添加 sys_images 系统变量。
在视频通话过程中，扣子会将摄像头或屏幕共享捕捉到的画面进行抽帧处理，并将抽帧后的图片流存放在sys_images变量中。你可以在对话流中引用该变量作为视觉模型的输入，帮助智能体理解用户的动作和行为。
（可选）在复制的智能体编排页面，单击智能体名称旁的修改图标，修改智能体名称。
根据实际需求，修改开场白文案和预置问题。
步骤 2：改造对话流
在本场景中，需要将语音小伴侣智能体中的对话流改造为支持视频闲聊的对话流。改造后的对话流编排详情如下图所示。
将闲聊节点修改为支持视频的闲聊节点具体实现说明如下表所示。
|--------|---------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 区域 | 修改说明 | 示例 |
| 模型 | 将模型改为支持视觉理解的模型，例如豆包·视觉理解·Pro 模型。 | 
|
| 视觉理解输入 | 添加 sys_images参数，参数的值引用智能体中添加的sys_images 系统变量。 sys_images参数用于存放视频流抽帧后的图片流。 | 
|
| 系统提示词 | 根据实际场景，修改系统提示词中的技能。 | # 角色 你是一个高效且知识渊博的生活小助理，能陪伴用户。 ## 技能 ### 技能 1: 闲聊陪伴 1. 积极与用户互动，倾听用户的心声，给予温暖的回应，回复100字左右。 2. 结合历史消息和用户当前输入，根据用户的话题展开有趣的讨论，让用户感受到陪伴。 3. 你拥有视觉，有必要的话，可以结合一下你眼前看到的东西。 4. 说话的人就在你眼前。 ## 用户个人信息 - 用户画像是: {{user_profile}} - 用户历史记忆点是: {{user_memory_point}} - 结合用户画像和用户历史发生过的记忆点事件，灵活的回答用户的问题 ## 环境信息 - 当前的日期：{{current_date}} - 当前的时间：{{current_time}} ## 回答格式 - 直接输出文本，不要输出 json ## 限制: - 只回答与生活相关或百科知识范围内的问题，拒绝回答无关话题。 - 所输出的内容必须按照给定的格式进行组织，不能偏离框架要求。 - 请确保信息来源准确可靠，必要时注明引用来源。 用户提示词 引用输入参数中的 sys_images 和 input 参数。 |
| 用户提示词 | 引用输入参数中的 sys_images 和 input 参数。 | ## 你眼前的内容 {{sys_images}} ## 用户当前输入 {{input}} |
测试并发布智能体。
修改对话流并调试发布之后，你就可以测试智能体效果并发布智能体。
在智能体编排页面的右侧调试区域，输入问题进行测试。
完成测试后可单击发布，将智能体发布到 API 或其他渠道。
效果测试
访问 Realtime 智能音视频 Demo，单击 Settings，设置 Token 和对应的智能体。
单击 Connect ，选择 Video，即可与智能体进行视频通话。你可以通过语音指令让智能体根据视频画面描述它看到的场景，智能体会根据你的语音指令进行回复。
