VocodeFramework open-source do budowania agentów AI głosowych w czasie rzeczywistym z komponentów speech-to-text, LLM i text-to-speech.

Vocode to otwarto‑źródłowa biblioteka do tworzenia aplikacji konwersacyjnych AI opartych na głosie. Dostarcza niezbędną infrastrukturę do połączenia rozpoznawania mowy, dużych modeli językowych (LLM) i syntezy mowy w jedną rzeczywistą, strumieniową rurociąg, co pozwala programistom tworzyć agenty, które mogą słuchać, rozumować i mówić podczas rozmów telefonicznych, przez WebSockety lub lokalne audio. Framework jest głównie dystrybuowany jako Python SDK, z naciskiem na strumieniowanie audio, aby konwersacje były responsywne, a nie oparte na długich, turach z opóźnieniami. Obsługuje kwestie orkiestracji, które utrudniają budowanie agentów głosowych od podstaw, takie jak zarządzanie przerywaniem (barge‑in), buforowanie i strumieniowa transkrypcja oraz koordynacja wymiany danych pomiędzy transkrybentem, logiką agenta i syntezatorem. Vocode jest zaprojektowany jako modularny i niezależny od dostawcy. Integruje się z szeroką gamą usług zewnętrznych na każdym etapie rurociągu — np. dostawcami transkrypcji takimi jak Deepgram i AssemblyAI, modelami językowymi od OpenAI oraz silnikami text‑to‑speech, w tym ElevenLabs, Azure i innymi. Programiści mogą wymieniać komponenty w zależności od kosztów, opóźnień i wymagań jakości głosu. Typowym zastosowaniem jest telekomunikacja: Vocode obsługuje nawiązywanie i odbieranie połączeń telefonicznych przez dostawców takich jak Twilio, co czyni go odpowiednim do budowy automatycznych agentów wychodzących i przychodzących, asystentów głosowych oraz botów telefonicznych skierowanych do klientów. Wspiera także rozmowy w przeglądarce oraz przy użyciu lokalnego mikrofonu dla doświadczeń głosowych w aplikacjach. Dzięki otwartemu kodowi i możliwości samodzielnego hostowania, Vocode przyciąga zespoły, które chcą mieć kontrolę nad swoją infrastrukturą i możliwość dostosowywania zachowań agenta, zamiast polegać na zamkniętej, w pełni zarządzanej platformie. Wadą jest to, że budowanie agentów gotowych do produkcji nadal wymaga połączenia i płacenia za zewnętrzne usługi transkrypcji, LLM i TTS oraz strojenia opóźnień i zachowań konwersacyjnych. Vocode znajduje się w rosnącym ekosystemie narzędzi do agentów głosowych, obok zarządzanych platform i innych frameworków; jego główną wyróżniającą cechą jest otwarto‑źródłowe, kompozycyjne podejście, które daje programistom bezpośredni dostęp do wewnętrznych elementów rurociągu.