リアルタイム音声エージェント(RVA)

単一のストリーミングセッション上でspeech-to-speechモデルを用いて構築された低遅延の音声エージェントで、従来の「音声認識→LLM→音声合成」というパイプラインを置き換えます。単一のモデルが音声を直接推論するため、応答が十分に速く届き、自然な会話のように感じられます。話者交代の検出、割り込み（バージイン）、会話中のツール呼び出し、ガードレール、ハンドオフはすべてライブセッション内で処理されます。