音声エージェント

概要

Voice Agent（Bidi Agent）は、リアルタイム双方向音声会話を提供するエージェントです。WebSocketを通じてブラウザとオーディオをストリーミングし、Amazon Nova Sonicモデルを使用します。

ブラウザ（Web Audio API）
  │ WebSocket
  ▼
AgentCore WebSocket Proxy
  │ WebSocket
  ▼
Voice Agentコンテナ（FastAPI + Uvicorn）
  │ Strands BidiModel
  ▼
Amazon Nova Sonic

---

音声モデル

Amazon Nova Sonicを使用します。AWS内部ネットワークを通じて動作するため、別途APIキーなしで低レイテンシの音声会話が可能です。

項目	値
モデル	Amazon Nova Sonic
APIキー	不要（IAM Role）
レイテンシ	低（AWS内部ネットワーク）
音声	tiffany、matthew

---

WebSocketイベント

ブラウザ → サーバー

イベント	説明
audio	PCMオーディオ（16kHz、1チャンネル）
text	テキスト入力
ping	Keep-alive（pongで応答）
stop	セッション終了

サーバー → ブラウザ

イベント	説明
audio	応答オーディオ（サンプルレート付き）
transcript	テキスト（role、is_final付き）
tool_use	ツール呼び出し通知
tool_result	ツール実行結果
connection_start	接続成功
response_start / response_complete	応答ライフサイクル
interruption	ユーザーが発話を中断
error	エラーメッセージ
timeout	セッションタイムアウト（デフォルト900秒）

---

ツール

Voice AgentもMCPツールを使用できます。

ツール	説明
getDateAndTimeTool	指定タイムゾーンの現在時刻を取得
DuckDuckGo search	Web検索
DuckDuckGo fetch_content	Webページ全文取得
AgentCore MCPツール	文書検索、グラフ探索など

---

言語自動検出

ブラウザのタイムゾーンに基づいて優先言語を決定します。

タイムゾーン	言語
Asia/Seoul	韓国語
Asia/Tokyo	日本語
Asia/Shanghai	中国語
Europe/Paris	フランス語
Europe/Berlin	ドイツ語
America/Sao_Paulo	ポルトガル語
その他	英語

---

会話記録の保存

会話記録（トランスクリプト）はS3に保存されます。