【爆速開発】LiveKit Agentsで作る、アサヒ級にキレのあるリアルタイムAIエージェント

livekit/agents

「AIとリアルタイムで会話する」という体験を、日本の4大ビールメーカーのブランドイメージになぞらえて、その魅力と実装方法を紐解いていきましょう！

LiveKit Agentsを一言で言うと、「超低遅延で動くAIエージェントを爆速で開発できるフレームワーク」です。

これまで「AIと電話のように話すシステム」を作ろうとすると、音声認識(STT)、推論(LLM)、音声合成(TTS)の3つを、「遅延なく（ここが最難関！）」つなぎ合わせる必要がありました。

LiveKit Agents はここを解決してくれます

VAD（発話検知）が標準装備
ユーザーが話し始めた、終わった、という判定がめちゃくちゃ正確です。

ストリーミング処理
音声をバラバラに送るのではなく、流れるように処理するので、LLMが考えている最中から声を出し始めるような挙動も作れます。

マルチモーダル
カメラ映像を見ながら「あ、今持ってるのビールだね！」と反応するエージェントも作れます。

実際に、もっともシンプルな「オウム返し（＋ちょっと賢い返答）」をするボットの作り方を見てみましょう。

LiveKit Cloud（無料枠あり）でプロジェクトを作成し、URLとキーを取得します。

Python環境を用意してライブラリをインストールします。

pip install livekit-agents livekit-plugins-openai python-dotenv

「一番搾り」のように、雑味のないシンプルな構成で書けます。

import asyncio
from livekit.agents import JobContext, WorkerOptions, cli
from livekit.plugins import openai

# エージェントのメインロジック
async def entrypoint(ctx: JobContext):
    # ユーザーとの接続を確立
    await ctx.connect()

    # AIの性格（ボイスエージェント）の設定
    # ここではサントリーのように「華やかで丁寧な」性格にしてみましょう
    agent = openai.VoiceAssistant(
        vad=openai.VAD.load(), # 発話検知
        stt=openai.STT.load(), # 音声認識
        llm=openai.LLM(model="gpt-4o"), # 思考（LLM）
        tts=openai.TTS.load(), # 音声合成
        chat_ctx=openai.ChatContext().append(
            role="system",
            text="あなたは親切なビアガーデンの店員です。明るく元気に接客してください。"
        ),
    )

    # 部屋に参加して会話を開始
    agent.start(ctx.room)
    await agent.say("いらっしゃいませ！冷えたビールはいかがですか？")

if __name__ == "__main__":
    # ワーカーの起動
    cli.run_app(WorkerOptions(entrypoint_fnc=entrypoint))

LiveKit Agents を使えば、これまで数ヶ月かかっていた「自然な会話AI」の実装が、わずか数日、いや数時間でプロトタイプまで持っていけます。

アサヒのようなキレのある速度で

サッポロのような安定した基盤の上に

サントリーのようなリッチな体験を

キリンのような純粋なコードで

作り上げることができます。

次は、このエージェントに「あなたの会社の製品知識」を学習させて（RAG）、専門のコンシェルジュに仕立ててみるのはいかがでしょうか？