音声アーキテクチャの選択¶
ADKでサポートPython v2.13.0Java v0.2.0
ADKは、Runner.run_live() の下で2つの音声アーキテクチャをサポートしています。
- Speech-to-speech: 単一のネイティブ音声モデルが、Gemini Live APIを介して音声入力、推論、音声出力をエンドツーエンドで処理します。最小のレイテンシ、声の感情表現、またはライブ動画入力が最も重要な場合に最適です。
- カスケード (Cascade): 音声テキスト変換(STT)、任意のテキスト推論LLM、テキスト音声変換(TTS)を順番に連結します。最先端のテキスト推論、モジュール式の音声プロバイダ、または合成前のテキストガードレールが最も重要な場合に最適です。
どちらのアーキテクチャも同じADKランタイムを使用します。セッションループ、リクエストキュー、イベントストリーム、ツール、コールバック、ワークフローはすべて同じままであり、アーキテクチャの切り替えはエージェントの model を変更するだけです。
from google.adk.agents import Agent
from google.adk.live import CascadeLive, GeminiSTT, GeminiTTS
root_agent = Agent(
name="voice_assistant",
model=CascadeLive(
model="gemini-3.8-flash",
stt=GeminiSTT(),
tts=GeminiTTS(speech_config="Kore"),
),
instruction="You are a helpful voice assistant.",
tools=[...],
)
アーキテクチャの比較¶
flowchart LR
subgraph S2S["Speech-to-speech"]
direction LR
U1["User Audio"] --> M1["Native Audio Live Model"] --> A1["Agent Audio"]
end
subgraph CAS["Cascade"]
direction LR
U2["User Audio"] --> STT["Speech-to-Text"] --> LLM["Text LLM"] --> TTS["Text-to-Speech"] --> A2["Agent Audio"]
end
| 項目 | Speech-to-speech | Cascade |
|---|---|---|
| エンドツーエンドのレイテンシ | 最小(単一モデルのパス) | 中程度(ストリーミングと文単位のプリフェッチにより直列ステージをオーバーラップ) |
| 推論モデル | ネイティブ音声Liveモデルのみ(サポートされているモデル) | 任意のテキストLLM(Gemini Flash、Gemini Pro、またはサードパーティモデル) |
| 音声プロバイダ | 組み込みのGemini Live音声 | モジュール式(Gemini、ElevenLabs、またはカスタムSTT/TTSプロバイダ) |
| 声のニュアンス | トーンや感情を直接聞き取る、ネイティブな韻律(プロソディ) | STTが音声をテキストに変換し、TTSが文単位で合成する |
| 動画入力 | サポート(ライブカメラおよび画面フレーム) | 非サポート(音声とテキストのみ) |
| テキストガードレール | 音声生成と並行して文字起こしを検査 | ステージ間に完全なテキスト境界があり、合成前にテキストの検査や変更が可能 |
テキストのみの実行 (run_async) |
非サポート | サポート(内部のテキストLLMを直接使用) |
| SDKサポート | Python、Java | Python(実験的機能) |