Realtime 上行事件

本文介绍扣子编程智能语音信令事件中的上行事件。智能体进房后才能发送上行事件，具体请参见集成音视频 Realtime Web SDK。

更新房间配置

• 事件类型：session.update

• 事件说明：此事件可更新房间内的配置项。

  • 传入哪个字段就改哪个字段，填空值也会更新；若不想修改某个字段，则不要传入该字段更新 RTC 房间的配置信息。支持更新智能体音色、语速等配置，也可以修改 meta_data 等对话配置。 所有参数都是可选的，如果不需要修改某个配置，可以省略对应的参数。
  • 若更新成功，会收到下行事件 “session.updated”，否则，会收到下行事件 “error”。

• 事件结构：

  参数	类型	是否必选	说明
  id	String	必选	客户端自行生成的事件 ID，方便定位问题。
  event_type	String	必选	必填 session.update。
  data	Object	可选	事件数据，包含会话配置的详细信息。
  data.speech_rate	Integer	可选	模型回复的语速，取值范围 [-50, 100]，默认为 0。-50 表示 0.5 倍速，100 表示 2 倍速。
  data.loudness_rate	Integer	可选	输出音频的音量，取值范围 [-50, 100]，默认为 0。-50 表示 0.5 倍音量，100 表示 2 倍音量。
  data.longest_silence_ms	Integer	可选	当智能体处于长时间沉默状态时，房间将自动解散。此时间以毫秒（ms）为单位计量，默认时长为 180,000 毫秒。
  data.event_subscriptions	Array	可选	需要订阅下行事件的事件类型列表。不设置或者设置为空为订阅所有下行事件。
  data.chat_config	Object	可选	会话配置。
  data.chat_config.meta_data	Map<String, String>	可选	附加信息，通常用于封装一些业务相关的字段。查看对话消息详情时，系统会透传此附加信息。自定义键值对，应指定为 Map 对象格式。长度为 16 对键值对，其中键（key）的长度范围为 1～64 个字符，值（value）的长度范围为 1～512 个字符。
  data.chat_config.custom_variables	Map<String, String>	可选	智能体中定义的变量。在智能体 prompt 中设置变量 {{key}} 后，可以通过该参数传入变量值，同时支持 Jinja2 语法。变量名只支持英文字母和下划线。
  data.chat_config.extra_params	Map<String, String>	可选	附加参数，通常用于特殊场景下指定一些必要参数供模型判断，例如指定经纬度，并询问智能体此位置的天气。自定义键值对格式，其中键（key）仅支持设置为： latitude：纬度，此时值（Value）为纬度值，例如 39.9800718。 longitude：经度，此时值（Value）为经度值，例如 116.309314。
  data.chat_config.plugin_interrupt_mode	String	可选	端插件执行模式，可选值有 blocking / nonblocking，默认为 nonblocking。 blocking 模式下，遇到端插件执行后，会阻塞后续的对话，直到提交端插件结果。 nonblocking 模式下，遇到端插件执行后，若未提交端插件结果继续对话，则端插件请求会被丢弃。
  data.chat_config.allow_voice_interrupt	Boolean	可选	是否打开语音打断功能，默认为 true。
  data.chat_config.interrupt_config	Object	可选	语音打断配置，仅在 allow_voice_interrupt 为true时生效
  data.chat_config.interrupt_config.mode	String	必选	语音打断模式，可选值有all / keyword_contains / keyword_prefix，默认为all。 all模式下，任意内容都可以打断模型回复。 keyword_contains模式下，说话内容包含关键词才会打断模型回复。例如关键词"扣子"，用户正在说“你好呀扣子…” / “扣子你好呀”，模型回复都会被打断。 keyword_prefix模式下，说话内容前缀匹配关键词才会打断模型回复。例如关键词"扣子"，用户正在说“扣子你好呀…”，模型回复就会被打断，而用户说“你好呀扣子…”，模型回复不会被打断。
  data.chat_config.interrupt_config.keywords	Array	可选	关键词列表，每个关键词长度不超过8个字，最多10个关键词，仅在keyword_contains/keyword_prefix模式下生效。
  data.chat_config.parameters	Map<String, Any>	可选	设置对话流的自定义输入参数的值并传递给对话流，具体用法和示例代码可参考为自定义参数赋值。
  data.turn_detection	Object	可选	声音检测配置。
  data.turn_detection.type	String	可选	语音检测模式，默认为 server_vad，可选项包括： server_vad：语音活动检测由扣子编程服务端完成，客户端将音频流持续发送到服务端，服务端在接收到音频后，通过服务端 VAD 检测语音的开始和结束。 client_vad：客户端使用自己的 VAD 检测语音的开始和结束，并将检测到的语音片段发送到服务器进行识别。 semantic_vad：采用语义判停的自由对话模式（此功能仅对企业旗舰版用户开放），由服务端识别语义来判断是否停止说话。 详细的检测逻辑请参见如何设置扣子的语音检测模式？。
  data.turn_detection.prefix_padding_ms	Integer	可选	VAD 检测到语音之前要包含的音频量，单位为 ms。默认为 600ms。
  data.turn_detection.silence_duration_ms	Integer	可选	server_vad 模式下，检测语音停止的静音持续时间，单位为 ms。取值范围为 200~2000，默认为 500ms。
  data.turn_detection.semantic_vad_config	Object	可选	semantic_vad 模式下，配置判定语音停止的语义检测策略。
  data.turn_detection.semantic_vad_config.silence_threshold_ms	Integer	可选	当用户暂停说话时，持续静音多久后，触发语义判停检测。单位为 ms。默认为 300ms。
  data.turn_detection.semantic_vad_config.semantic_unfinished_wait_time_ms	Integer	可选	当语义检测判断该语句未结束时，持续静音多久后，扣子编程认定语音结束。单位为 ms。默认为 500ms。取值范围为 100~2000。
  data.asr_config.stream_mode	String	可选	ASR 识别的模式。 output_no_stream：不会逐字返回语音识别结果，而是等整段语音结束后统一输出完整文本。异步语音消息场景中推荐使用该模式，会整合整句音频信息做上下文分析，减少实时截断导致的误差，提升准确率。 bidirectional_stream（默认值）：逐字的返回语音识别的结果。
  data.asr_config.context	String	可选	上下文，限制 800 tokens，超出后自动截断。
  data.asr_config.enable_itn	Boolean	可选	将语音转为文本时，是否开启文本规范化（ITN）处理，将识别结果转换为更符合书面表达习惯的格式以提升可读性。默认为 true。 开启后，会将口语化数字转换为标准数字格式，示例： 将两点十五分转换为 14:15。 将一百美元转换为 $100。
  data.asr_config.enable_punc	Boolean	可选	将语音转为文本时，是否给文本加上标点符号。默认为 true。
  data.asr_config.enable_ddc	Boolean	可选	将语音转为文本时，是否启用顺滑，默认为 true。 true：系统在进行语音处理时，会去掉识别结果中诸如 “啊”“嗯” 等语气词，使得输出的文本语义更加流畅自然，符合正常的语言表达习惯，尤其适用于对文本质量要求较高的场景，如正式的会议记录、新闻稿件生成等。 false：系统不会对识别结果中的语气词进行处理，识别结果会保留原始的语气词。
  data.asr_config.enable_nostream	Boolean	可选	是否开启二次识别模式： true：会实时返回逐字识别的文本；当一句话结束时，会结合整句音频进行上下文分析并重新识别，生成优化后的识别结果并返回。这种机制既能满足客户实时上屏的需求，又能确保最终结果的识别准确率。 false（默认值）：仅进行一次实时识别，逐字返回文本，不会在一句话结束时重新识别分句，可能存在一定的识别误差。
  data.asr_config.enable_emotion	Boolean	可选	识别说话人的情绪。仅在 data.asr_config.stream_mode 为output_no_stream时生效。默认为false。 支持的情绪标签包括： angry：表示情绪为生气 happy：表示情绪为开心 neutral：表示情绪为平静或中性 sad：表示情绪为悲伤 surprise：表示情绪为惊讶
  data.asr_config.enable_gender	Boolean	可选	是否开启识别说话人的性别（male/female），仅在 data.asr_config.stream_mode 为output_no_stream时生效。默认为false。
  data.asr_config.sensitive_words_filter	Object	可选	敏感词过滤功能，支持以下 3 种过滤方式： 过滤系统敏感词，并替换为*。 过滤自定义敏感词，并替换为空。 过滤自定义敏感词，并替换为*。
  data.asr_config.sensitive_words_filter.system_reserved_filter	Boolean	可选	是否过滤系统自带的敏感词，并将匹配到的敏感词替换为*。（系统自带敏感词主要包含一些限制级词汇）。默认为false。
  data.asr_config.sensitive_words_filter.filter_with_empty	Array	可选	自定义需替换为空的敏感词列表。
  data.asr_config.sensitive_words_filter.filter_with_signed	Array	可选	自定义需替换为 * 的敏感词列表。
  data.voice_print_config	Object	可选	声纹识别配置。
  data.voice_print_config.group_id	String	可选	声纹组 ID。语音通话时，扣子编程会在该声纹组内进行查找匹配对应的声纹，当声纹匹配度高于 score 阈值，则认为是同一个人的声音。 你可以通过查看声纹组列表 API 查看声纹组 ID。
  data.voice_print_config.score	Integer	可选	声纹匹配的命中阈值，即声音匹配度的最低标准。当声音匹配度达到或超过该阈值时，扣子编程才会认定声纹匹配成功。你可以根据应用的安全性要求进行自定义设置。如果匹配了多轮声纹，扣子编程会取相似度最高的一个。 取值范围：0~100，默认值：40。
  data.voice_print_config.reuse_voice_info	Boolean	可选	当本轮对话未命中任何声纹时，是否沿用历史声纹信息。 true：未命中声纹时，智能体将返回上一次命中的声纹。适用于连续对话场景，当收音不好等情况导致声纹没能正确被识别时，保障对话的连贯性。 false：（默认值）未命中声纹时，智能体返回空的声纹信息。
  data.voice_id	String	可选	音色 ID。
  data.tts_config	Object	可选	配置语音合成的相关参数，用于控制合成语音的整体风格与情感表达，包括辅助信息（如情绪、方言、语气等）、多情感音色的情感类型及强度等。
  data.tts_config.context_texts	String	可选	语音合成的辅助信息，用于控制合成语音的整体情绪（如悲伤、生气）、方言（如四川话、北京话）、语气（如撒娇、暧昧、吵架、夹子音）、语速（快慢）及音调（高低）等。默认为空。 示例：用低沉沙哑的语气、带着沧桑与绝望地说。 说明 仅当 voice_id 为豆包语音合成大模型 2.0 音色时才支持该参数，具体支持的音色列表请参见系统音色列表。 更多关于豆包语音合成 2.0 的 context_texts 示例和效果可参考语音指令-示例库。
  data.tts_config.emotion	String	可选	设置多情感音色的情感类型，仅当 voice_id 为多情感音色时才需要设置。 不同音色支持的情感范围不同，可以通过系统音色列表查看各音色支持的情感。默认为空。枚举值如下： happy-开心 sad-悲伤 angry-生气 surprised-惊讶 fear-恐惧 hate-厌恶 excited-激动 coldness-冷漠 neutral-中性
  data.tts_config.emotion_scale	Float	可选	情感值用于量化情感的强度。数值越高，情感表达越强烈，例如： “开心” 的情感值 5 比 1 更显兴奋。 仅当 voice_id 为多情感音色时才需要设置。 取值范围：1.0~5.0，默认值：4.0。
  data.voice_processing_config	Object	可选	语音降噪配置。默认不启用降噪。 说明 仅扣子企业旗舰版支持该配置。
  data.voice_processing_config.enable_ans	Boolean	可选	主动噪声抑制。自动识别并过滤掉背景环境中的各种噪音（如键盘声、空调声、街道嘈杂声），让说话者的声音更清晰。 此功能与下面的 enable_pdns（声纹降噪）只能二选一开启，不能同时使用。
  data.voice_processing_config.enable_pdns	Boolean	可选	声纹降噪。专门针对特定说话人的声音进行优化，能更精准地保留目标人声。 此功能与上面的 enable_ans只能二选一开启，不能同时使用。 提供两种模式，你可以根据需要选择： 自动提取：设置简单，开箱即用。默认为该模式。降噪生效稍微有延迟，服务端需要先听你说一会儿话才能提取出你的声纹特征，在此期间降噪效果可能不佳。另外，提取声纹会受到用户说话场景影响，准确性上可能会弱于主动设置。 主动设置：降噪效果更精准、更快速，在对话开始时就立即生效。不过需要提前录制声纹并在 voice_print_feature_id 中设置声纹 ID。
  data.voice_print_config.feature_id	String	可选	目标说话人的声纹 ID。当你选择开启 enable_pdns（声纹降噪）并希望使用主动设置模式时，需要在此处填入你提前录制好的声纹 ID。 你可以通过扣子编程录制声纹，具体请参见声纹识别，或通过创建声纹 API 上传声纹并获取声纹 ID。

• 事件示例：

  {
      "id": "7446668538246561828",
      "event_type": "session.update",
      "data": {
          "voice_id": "7426720361733046281", // 音色 ID
          "speech_rate": 0, // [-50, 100]
          "longest_silence_ms": 180000,
          "event_subscriptions": ["error"],
          "chat_config": {
              "meta_data": {
                  "a": "123"
              },
              "custom_variables": {
                  "a": "123"
              },
              "extra_params": {
                  "a": "123"
              },
              "plugin_interrupt_mode": "nonblocking", // 控制收到端插件执行中断信号后，没有提交端执行请求时的模型
              // 端插件的执行模型，默认不阻塞，blocking/nonblocking，阻塞的场景如果不提交端执行请求就会让语音链路一直block住
              "allow_voice_interrupt": true,
              "interrupt_config": {
                  "mode": "keyword_prefix",
                  "keywords": ["扣子"]
              },
              "parameters": {
                  "a": 123,
                  "b": "abc"
              }
          },
          "turn_detection": {
              "type": "server_vad", // server_vad/client_vad
              "prefix_padding_ms": 600,
              "silence_duration_ms": 500
          },
          "asr_config": {
              "hot_words": ["扣子"],
              "enable_itn": true,
              "enable_punc": true,
              "enable_ddc": true
          }    
      }
  }
  

提交端插件执行结果

• 事件类型：conversation.chat.submit_tool_outputs

• 事件说明：你可以将需要客户端执行的操作定义为插件，对话中如果触发这个插件，会收到一个 event_type = “conversation.chat.requires_action” 的下行事件，此时需要执行客户端的操作后，通过此上行事件来提交插件执行后的结果。作用等同于提交工具执行结果 API。

• 事件结构：

  参数		类型	是否必选	说明
  id		String	必选	事件 ID，也就是事件的唯一标识。由客户端生成，在故障排查场景下用于定位具体的事件，便于排查问题。
  event_type		String	必选	固定为 conversation.chat.submit_tool_outputs。
  data	chat_id	String	必选	对话 ID。
  	tool_outputs	JSON Array	必选	工具执行结果。具体的结构定义可参考提交工具执行结果 API。
  	tool_outputs.tool_call_id	String	必选	上报运行结果的 ID。你可以在端插件请求事件的 tool_calls 字段下查看此 ID。
  	tool_outputs.output	String	必选	工具的执行结果。

• 事件示例：

  {
      "id": "7446668538246561829",
      "event_type": "conversation.chat.submit_tool_outputs",
      "data": {
          "chat_id": "7446675275930271785",
          "tool_outputs": [
              {
                  "tool_call_id": "BUJJRUUVEhJGERVeEkRDFV5HEkJAXktLQBZeEEAXREpLSxZFR****=",
                  "output": "{\"url\":\"https://lf3-bot-platform-tos-sign.coze.cn/bot-studio-bot-platform/bot_files/323733792754532/image/jpeg/7446661351415529491/blob****\"}"
              }
          ]
      }
  }
  

中断 Agent 语音输出

• 事件类型：conversation.chat.cancel

• 事件说明：发送此事件可取消正在进行的对话。

• 事件结构：

  参数	类型	是否必选	说明
  id	string	必选	客户端自行生成的事件 ID，方便定位问题。
  event_type	string	必选	固定为conversation.chat.cancel。

• 事件示例：

  {
      "id": "7446668538246561827",
      "event_type": "conversation.chat.cancel",
      "data": {}
  }
  

手动提交对话内容

• 事件类型：conversation.message.create

• 事件说明：

  • 若 role=user，提交事件后就会生成语音回复，适合如下的场景，比如帮我解析xx链接，帮我分析这个图片的内容等。
  • 若 role=assistant，提交事件后会加入到对话的上下文。

• 事件结构：

  参数		类型	是否必选	说明
  id		string	必	客户端自行生成的事件 ID，方便定位问题。
  event_type		string	必选	固定为conversation.message.create。
  data	role	string	必选	发送这条消息的实体。取值： user：代表该条消息内容是用户发送的。 assistant：代表该条消息内容是智能体发送的。
  	content_type	string	必选	消息内容的类型，支持设置为： text：文本 object_string：多模态内容，即文本和文件的组合、文本和图片的组合，参考
  	content	string	必选	消息的内容，支持纯文本、多模态（文本、图片、文件混合输入）、卡片等多种类型的内容。参考 object_string object。

• 事件示例：

  {
      "id": "7446668538246561826",
      "event_type": "conversation.message.create",
      "data": {
         "role": "user", // user/assistant
         "content_type":"object_string", // text/object_string
         "content": "[{\"type\":\"text\",\"text\":\"帮我看看这个PDF里有什么内容？\"},{\"type\":\"file\",\"file_url\":\"https://lf3-appstore-sign.oceancloudapi.com/ocean-cloud-tos/eaafba63-0d96-4ea6-b60c-fbadcf2c25e9.?lk3s=edeb9e45&x-expires=1718296132&x-signature=YtlsUsvSeLJi6x31I%2F4S9X53Y6Y%3D\"}]"
      }
  }
  

客户端 VAD 检测

• 事件类型：client.vad

• 事件说明：客户端侧的 VAD 检测结果，仅在turn_detection.type="client_vad"时生效。

• 事件结构：

  参数		类型	是否必选	说明
  id		string	必选	客户端自行生成的事件 ID，方便定位问题。
  event_type		string	必选	固定为client.vad。
  data	vad	boolean	必选	客户端自行检测的 vad 值，只需在变化时上传。

• 事件示例：

  {
      "id": "74466685382465618283",
      "event_type": "client.vad",
      "data": {
         "vad": true/false
      }
  }
  

更新安抚配置

• 事件类型：session.pre_answer.update

• 事件说明：此事件可更新房间内的安抚配置，若更新成功，会收到下行事件 “session.pre_answer.updated”，否则，会收到下行事件 “error”。

• 事件结构：

  参数	类型	是否必选	说明
  id	String	必选	客户端自行生成的事件 ID，方便定位问题。
  event_type	String	必选	固定为 session.pre_answer.update。
  data	Object	必选	事件数据，包含安抚配置的详细信息。
  data.pre_answer	Object	必选	安抚配置。
  data.pre_answer.type	String	必选	安抚生成类型，可选类型有 none / audio / text / bot。 none：取消安抚策略，默认值。 audio：根据用户上传的音频文件作为安抚语。 text：根据用户输入的文本生成安抚语。 bot：指定另一个智能体作为安抚语的生成载体。
  data.pre_answer.file_id	String	可选	仅在 audio 模式下生效，用户需要先通过上传文件接口上传一个音频文件，传入该接口返回的 file_id。当前仅支持 wav`mp3` 音频文件。 |
  data.pre_answer.pre_answer_list	Array	可选	仅在 text 模式下生效，用户可以输入一批文本，会在触发安抚策略时随机选取一段文本作为安抚语播放。每段文本的长度上限为 10 个字符。
  data.pre_answer.bot_id	String	可选	仅在 bot 模式下生效，ASR 识别的文本会同时请求这个 BotID，并将该智能体回复的内容作为安抚语。传入的智能体必须是属于当前用户的智能体。该策略会消耗额外的 Token。
  data.trigger	Object	可选	触发相关配置。
  data.trigger.type	String	必选	安抚策略的触发类型，可选类型有 mandatory / time-trigger / event-driven。 mandatory：必定触发安抚策略，默认值。 time-trigger：一段时间后模型没有生成回复，就会触发安抚策略。 event-driven：模型触发 function call 就会触发安抚策略。
  data.trigger.time_after	Integer	可选	仅在 time-trigger 模式下生效，指定在等待多长时间后触发安抚策略，单位为 ms，取值范围 [0, 3000]，默认值为 1500ms。

• 事件示例：

  {
      "id": "7446668538246561822",
      "event_type": "session.pre_answer.update",
      "data": {
          "pre_answer": {
              "type": "none",
              "file_id": "",
              "pre_answer_list": [""],
              "bot_id": ""
          },
          "trigger": {
              "type": "mandatory",
              "time_after": 1500
          }
      }
  }
  

更新房间模式

• 事件类型：mode.update
• 事件说明：更新房间的模式，若更新成功，会收到 mode.updated 下行事件，否则，会收到下行事件 “error”。
• 事件结构：

• 事件示例：

{
    "id": "",
    "event_type": "mode.update",
    "data": {
        "mode": "chat",
        "chat": {
            "user_language": "common"
        }
    }
}

语音合成

• 事件类型：input_text.generate_audio
• 事件说明：你可以主动提交一段文字用来做语音合成，提交的消息不会触发智能体的回复，只会合成音频内容下发到客户端。提交事件的时候如果智能体正在输出语音会被中断输出。适合在和智能体聊天过程中客户端长时间没有响应，智能体可以主动说话暖场的场景。
• 事件结构：

• 事件示例：

  {
    "id": "744666853824656xxxx",
    "event_type": "input_text.generate_audio",
    "data": {
        "mode": "text",
        "text": "亲，你怎么不说话了。"
    }
  }
  

用户开始说话

• 事件类型：input_audio_buffer.start

• 事件说明：发送此事件表示用户开始说话。仅在按键说话模式下生效。

• 事件结构：

  参数	类型	是否必选	说明
  id	string	必选	客户端自行生成的事件 ID，方便定位问题。
  event_type	string	必选	固定为 input_audio_buffer.start。

• 事件示例：

  {
      "id": "7446668538246561827",
      "event_type": "input_audio_buffer.start",
      "data": {}
  }
  

用户结束说话

• 事件类型：input_audio_buffer.complete

• 事件说明：发送此事件表示用户结束说话。仅在按键说话模式下生效。

• 事件结构：

  参数	类型	是否必选	说明
  id	string	必选	客户端自行生成的事件 ID，方便定位问题。
  event_type	string	必选	固定为 input_audio_buffer.complete。

• 事件示例：

  {
      "id": "7446668538246561827",
      "event_type": "input_audio_buffer.complete",
      "data": {}
  }