在智能客服、智能穿戴、语音陪伴等音视频场景中，为智能体开启音视频通话功能并合理设置音色，可显著提升其交互的丰富性和生动性，使沟通更加直观、高效。同时，合适的音色能赋予智能体更具亲和力、专业性或个性化的语音表达，从而增强用户对智能体的好感度和信任感，更好地满足用户在不同场景下的多样化需求，进一步优化用户与智能体之间的交互体验。

开启了语音通话和视频通话的智能体，发布至扣子商店等渠道后，将支持用户通过语音、视频、或共享屏幕的方式与其交互，用户可体验到如图所示的音视频通话效果。

语音通话

视频通话

共享屏幕

说明

在团队版和企业版中，企业超级管理员可以通过功能访问控制和空间资源可见性，控制成员可见的功能入口和空间资源范围。如果你未看到预期的功能和资源，请联系企业超级管理员确认。更多信息，请参考功能访问控制和空间资源访问控制。
在低代码智能体编排页面开启语音通话或视频通话后，支持在如下渠道使用：
- 在扣子商店体验音视频通话。
- 在豆包体验语音通话。
- 将智能体发布 API 后，你可以在自己的产品中通过 WebSocket 或 RTC 方式实现音视频通话，具体请参见智能音视频概述。
- 将智能体发布 Chat SDK 后，你可以在自己的产品中安装 Chat SDK 实现语音通话（暂不支持视频通话），具体请参见安装并使用 Chat SDK。

为智能体开启音视频通话

在智能体编排页面的对话体验 > 音视频区域，选择智能体对应的音色，你可以使用扣子编程系统预置的音色或资源库中复刻的音色。
扣子编程的系统预设音色支持多情感音色，即一个音色可以表达多种情感，例如开心、悲伤等。你可以指定其中一种情感并设置其情绪强烈程度，让智能体在通话时用对应的情感语气说话（不会针对每句话进行动态调整情感）。带有多情感标签的音色支持此功能。
注意

试听多情感音色时，扣子编程将按照文字转语音的字符数收费，费用详细说明请参见音视频费用。

参数	说明
情感	情感参数用于指定智能体音色的情感类型，例如开心、悲伤等。你可以从下拉列表中选择该音色对应的情感。不同音色支持的情感范围不同。
情感值	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” 的情绪值 5 比 1 更显兴奋。取值范围：1.0~5.0，默认值：4.0。

参数

说明

情感

情感参数用于指定智能体音色的情感类型，例如开心、悲伤等。你可以从下拉列表中选择该音色对应的情感。不同音色支持的情感范围不同。

情感值

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” 的情绪值 5 比 1 更显兴奋。

取值范围：1.0~5.0，默认值：4.0。

开启或关闭语音通话或视频通话右侧的开关。开启后，用户在扣子商店中打开对应的智能体，可以通过语音通话、视频通话或屏幕共享的方式与智能体实时沟通。
说明

开启视频通话时，智能体或工作流需要选择支持图片理解的模型，例如豆包·视觉理解·Pro 模型。

设置入口

设置后的效果

在视频通话过程中，扣子编程通过视频抽帧技术，将摄像头画面或共享屏幕转化为图像帧，供大模型分析理解。为保障大模型精准识别用户行为和意图，你需要设置视频抽帧的参数，参数说明如下。

参数说明

参数	说明
每秒抽帧数	在视频通话过程中，摄像头或屏幕共享捕捉画面的频率。捕捉到的画面会作为视觉模型的输入，帮助智能体理解用户的动作和行为。抽帧数越高，智能体能够获取的画面信息越丰富，从而更准确地理解用户的意图和行为，但会增加 Token 消耗。默认值为 `1`，取值范围为 `[1, 24]`。
开始说话前抽取秒数	在用户开始说话之前，抽取指定秒数的画面，能够帮助智能体提前了解用户在说话前的动作状态，从而更全面地理解用户的意图与行为。单位为秒，默认值为 `1`，取值范围为 `[1, 10]`。

每秒抽帧数

在视频通话过程中，摄像头或屏幕共享捕捉画面的频率。捕捉到的画面会作为视觉模型的输入，帮助智能体理解用户的动作和行为。抽帧数越高，智能体能够获取的画面信息越丰富，从而更准确地理解用户的意图和行为，但会增加 Token 消耗。

默认值为 1，取值范围为 [1, 24]。

开始说话前抽取秒数

在用户开始说话之前，抽取指定秒数的画面，能够帮助智能体提前了解用户在说话前的动作状态，从而更全面地理解用户的意图与行为。

单位为秒，默认值为 1，取值范围为 [1, 10]。