コンテンツにスキップ

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

root_agent = Agent(
    name="voice_assistant",
    model="gemini-live-2.5-flash-native-audio",
    instruction="You are a helpful voice assistant.",
    tools=[...],
)
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)