Этот ИИ переключает языки посреди предложения.

Спросите любую умную колонку вопрос на английском, а затем переключитесь на испанский на полпути через предложение. Большинство систем замирает, неверно транскрибирует или отвечает чем-то странным на неправильном языке. Современные голосовые боты, как правило, работают в одностороннем режиме: один язык за сессию, выбранный в меню настроек или жестко закодированный разработчиком.

Люди делают наоборот. Двуязычные говорящие постоянно «переключают коды» — «Можешь забронить la cita на mañana?» — не задумываясь о том, какая модель поддерживает какую страну. В таких городах, как Лондон, Нью-Йорк или Мехико, один разговор может переключаться между английским, польским и французским менее чем за 10 секунд, и никто не заполняет форму сначала, чтобы объявить свой язык.

Голосовой ИИ в основном функционирует в том, что Хьюго Под называет Тир 1: он может обрабатывать несколько языков, но только если вы заранее сообщите, какой язык ожидать. Это подходит для жестких сценариев звонков и IVR, но терпит крах в момент, когда звонящий спрашивает на английском: «Вы говорите по-испански?» и затем действительно переключается на испанский. Агент либо продолжает отвечать на английском, либо, что еще хуже, искажает транскрипцию и сбивает с толку LLM.

Уровень 2 — это обновление: многоязычный агент, который распознает и переключает языки в середине предложения, без ручных переключателей, без “нажмите 2 для Español”, без перезагрузки. Пользователь может начать на английском, перейти на польский, а затем вставить французскую фразу, и система отслеживает все это в реальном времени. Такая гибкость превращает голосового бота из панели настроек в полноценный разговор.

Создание агента второго уровня требует три компонента, работающих в тесной связке: - Умная структура, такая как LiveKit, для оркестрации речевого взаимодействия в реальном времени и логики агента - Мощный ум (LLM), который может естественно отвечать на многих языках - Гиперосведомленное ухо (STT), которое осуществляет переключение между кодами с низкой задержкой и высокой точностью

Большинство LLM и движков синтеза речи уже достаточно хорошо обрабатывают множество языков. Настоящей проблемой является преобразование речи в текст, которое может распознать «Говорите ли вы по-испански?» и без проблем продолжить, когда остальная часть предложения будет сказана на испанском — без перенастройки, без жесткой перезагрузки, просто непрерывное, многоязычное понимание.

Агенты многоязычной поддержки первого уровня выглядят гибкими на бумаге: одна система, множество языков. На практике они работают только в том случае, если язык объявляется заранее, до того, как кто-либо скажет хоть слово. Вы настраиваете «испанский», «польский» или «французский» как параметр сессии, и весь разговор остается привязанным к этому выбору.

Этот дизайн встречается повсеместно — от IVR-меню до чат-ботов для поддержки клиентов. Вы выбираете из выпадающего списка, нажимаете «2 для Español» или нажимаете на иконку с флагом, и только тогда система распознавания речи загружает правильные акустические и языковые модели. Если вы передумали посреди звонка или решили использовать другой язык, система либо неверно вас понимает, либо игнорирует смену языка.

С логистической точки зрения, уровень 1 кажется громоздким. Формам необходимо добавить дополнительное поле "предпочитаемый язык", сценарии звонков должны содержать меню, а киоскам нужны элементы интерфейса, чтобы начать работу. Каждый добавленный шаг увеличивает трение и отказ; многие потребительские приложения теряют пользователей, если процесс знакомства занимает более 10–20 секунд.

Агенты второго уровня работают иначе. Они сначала слушают, а затем мгновенно определяют, на каком языке — или языках — вы общаетесь, без предварительного объявления. Разговор может начаться на английском, перейти на испанский для вопроса, а затем перейти на польский, и агент отслеживает эти переходы в реальном времени.

Этот сдвиг превращает многоязычие из функции с галочкой в настоящую разговорную беглость. Система второго уровня поддерживает естественное "смешение языков", когда пользователь объединяет разные языки в одном предложении, например, "Можешь отправить factura на мою рабочую почту?" или "Czy mówisz Spanish as well?" Агент должен транскрибировать, рассуждать и отвечать соответствующим образом на каждом переключении.

Для глобальных продуктов уровень 2 является золотым стандартом. Один агент может обслуживать пользователей в десятках рынков без отдельных телефонных номеров, отдельных ботов или жестких правил маршрутизации по языкам. Компании избегают поддержки параллельных потоков для английского, французского и польского языков и вместо этого разрабатывают единственный логический уровень, который адаптируется к языку пользователя.

Hugo Pod’s «Как создать многоязычного голосового агента с LiveKit и Gladia» явно нацелен на эту модель второго уровня. Используя Gladia для низкозадерживаемой смены кода и LiveKit для передачи аудио в реальном времени, его стек нацелен на более высокую планку: агент, который ведет себя не как форма, а как человек.

Код-свитчинг описывает, как двуязычные люди переключаются между языками в середине предложения, не задумываясь: «Эй, ты отправил тот отчет?» или «Ça marche, я тебе потом напомню.» Психолингвисты рассматривают это как черту, а не как недостаток — исследования показывают, что двуязычные люди меняют язык в зависимости от темы, эмоций или собеседника, часто несколько раз в минуту.

Для голосовых агентов ИИ такое поведение является святым граалем. Клиент, говорящий на испанском, может начать на английском для меню IVR, перейти на испанский, чтобы объяснить проблему с платежом, а затем вернуться к английскому для указания номеров карт. Любая система, которая застревает на первом языке, теряет доверие, время и часто пользователя.

Реальные stakes высоки. Глобальные центры поддержки в Мехико, Маниле или Варшаве регулярно совмещают английский язык с 2–4 местными языками на одной линии. Международные продажи в области финтеха, туризма или SaaS переключаются между английским, хинди и региональными диалектами. Государственные услуги в городах, таких как Нью-Йорк или Лондон, должны обрабатывать многослойные разговоры на смешанных языках в сферах здравоохранения, жилищного обеспечения и образования.

С технической точки зрения это жестоко, потому что сырое аудио неоднозначно без языкового контекста. Двухсекундный отрывок может соответствовать правдоподобным словам на английском, польском или португальском языках, все с разными значениями. Фоновый шум, акценты и специализированная терминология увеличивают путаницу, поэтому простые модели «зацикливаются» на неправильном языке и никогда не восстанавливаются.

Все три столпа — STT (преобразование речи в текст), LLM и TTS — должны быть в идеальной синхронизации по выбору языка. LLM уже хорошо справляются с многоязычными запросами, а современные TTS-движки, такие как 11 Labs, могут convincingly говорить на польском или испанском, как только получают чистый текст. Распознавание речи — это настоящая битва с боссом.

Многоязычный STT должен определять языковые границы в реальном времени, иногда даже по отдельному слову, при этом поддерживая задержку ниже ~300 мс для естественного разговора. Он должен мгновенно решать: «Это было 'нет' на английском или 'não' на португальском?» и моментально переключаться между моделями или словарями. Появляются такие инструменты, как модели и структуры переключения кодов от Gladia, документированные в Быстром запуске Voice AI | Документация LiveKit, но идеальное переключение кодов остается сложной задачей.

Современный голосовой ИИ с кодовым переключением опирается на четыре основополагающих элемента: маршрутизация в реальном времени, распознавание речи, языковое понимание и синтетическую речь. Замените любой из них на более слабый компонент, и вся иллюзия плавного двуязычного разговора мгновенно исчезнет.

В центре находится LiveKit, фреймворк для实时 коммуникации, который функционирует как нервная система агента. Он управляет потоками аудио с низкой задержкой, состоянием сессии и обратным давлением, обеспечивая доставку аудиопакетов, стенограмм и ответов за считанные сотые доли секунды, а не за секунды.

LiveKit соединяет три специализированные службы, каждая из которых отвечает за свою часть стека: - Gladia для распознавания речи - OpenAI GPT-4.1 для понимания языка - 11Labs для синтеза речи

Gladia выступает в роли ушей агента, непрерывно транскрибируя сырой аудиофайл в текст, пока пользователь продолжает говорить. Его многоязычная модель, такая как вариант SEA SALARIA 1, поддерживает код-свичинг на десятках языков, определяя, когда предложение переходит с английского на испанский или польский, не прерывая сессию.

Эта способность к переключению языков важна, потому что преобразование речи в текст является самой уязвимой частью этой цепочки. Если Gladia ошибочно определит испанский язык как акцентированный английский, GPT-4.1 никогда не увидит правильные слова, и весь "многоязычный" опыт превратится в бессмыслицу или неловкие уточняющие вопросы.

Как только Гладия генерирует текст, на сцену выходит OpenAI GPT-4.1 в роли мозга. Модель отслеживает историю беседы, намерения пользователя и изменения языка, а затем решает не только то, что сказать, но и на каком языке это сказать. Запросы могут подталкивать GPT-4.1 автоматически подстраиваться под язык пользователя или переключаться, когда это явно запрашивается (“¿Puedes hablar polaco?”).

11Labs замыкает цикл как голос. Подавайте ему токены на польском, французском или английском языках, и он возвращает естественно звучащий аудиофайл на том же языке, используя один и тот же синтетический голос, чтобы агент воспринимался как единое целое, а не как замысловатый набор разных систем.

Вместе LiveKit, Gladia, GPT-4.1 и 11Labs образуют плотный реальный поток. Аудио поступает, текст с учетом языка проходит, а правильно локализованная речь выходит — так быстро, что переключение между языками ощущается естественно, а не как переключение приложений.

Система распознавания речи (STT) тихо решает, будет ли многоязычный голосовой агент успешно работать или потерпит неудачу. Для систем второго уровня, которым необходимо сопровождать звонящего от английского к испанскому и польскому языкам в одном предложении, STT является самой сложной частью стека. Большие языковые модели (LLM) и преобразование текста в речь (TTS) уже могут обрабатывать десятки языков из чистого текста; STT должна справляться с шумным, перекрывающимся, сильно акцентированным аудио в реальном времени.

Модель Gladia's sea-salaria-v1 находится на этом критическом этапе. Она поддерживает более 40 языков из коробки с нативным переключением между языками, так что фраза вроде "Can you call mi mamá en Madrid?" не путает её в один искажённый язык. Вместо этого она чётко сегментирует и транскрибирует английский и испанский, как они действительно звучат в звуковой волне.

Региональная маршрутизация — это переход sea-salaria-v1 к возможности использования для живых продуктов, а не только для демонстраций. Gladia позволяет привязывать обработку к конкретным регионам, таким как Западная Европа, поэтому если ваши пользователи находятся в Лондоне или Париже, вы избегаете задержки 100–200 мс от трансатлантических перескоков. Для голосового агента сокращение этой задержки позволяет удерживать время ответов в пределах ~300 мс, где "пауза ИИ" становится очевидной.

Без движка STT, который может напрямую выявлять изменения языка в аудио, всё остальное в процессе не имеет шансов быть умным. LLM видит только текстовую транскрипцию, которую она получает; если STT неправильно определяет польский как английский и выдает бессмысленные токены, даже лучшая модель уверенно ответит на неправильном языке. TTS затем с радостью произносит эту ошибку обратно пользователю, закрепляя провал.

Поддержка кодового переключения на уровне STT также предотвращает хрупкие предмаршрутные решения. Вам больше не нужно угадывать язык звонящего по его номеру телефона, выбору в меню или первой фразе. Sea-salaria-v1 может слушать с нулевой секунды, распознавать, что пользователь только что переключился с английских инструкций на стремительный французский, и адаптировать наборы символов и языковые модели в реальном времени.

Deepgram и другие поставщики STT действительно рекламируют многоязычные функции и даже возможности переключения между языками, которые подходят для многих случаев использования. Однако в случае данного агента второго уровня Gladia отличилась точностью транскрипции в смешанном языковом аудио, особенно при быстрых переключениях и менее распространенных комбинациях, таких как английский–польский. Когда весь ваш опыт зависит от успешного решения таких пограничных случаев, разрыв в точности становится решающим фактором.

LiveKit больше не является только маршрутизатором WebRTC; он ведёт себя как исполнитель агента, который управляет всем циклом вызовов. Вместо того чтобы вручную соединять STT, LLM и TTS, вы определяете агента, который реагирует на события — аудиокадры, сообщения, тайм-ауты — а LiveKit orchestrates всю остальную часть в реальном времени.

В центре находится LiveKit Agent Framework, который выполняет вашу логику на Python (или Node) ближе к медиа-пайплайну. Это близость важна: меньше переходов между медиа, обработкой и бизнес-логикой означает более низкую задержку от конца до конца, что имеет решающее значение для голосового агента, переключающего код.

LiveKit Inference интегрируется в этот процесс как управляемый уровень LLM и TTS. Вы нацеливаете своего агента на модели — OpenAI, локальные или размещенные у поставщиков, — а LiveKit обрабатывает потоковые токены и возвращает аудио, избавляя вас от необходимости использовать три разных SDK.

Использование LiveKit Inference также обходится без множества операционных проблем. Вы избегаете ограничений по количеству вызовов LLM и TTS от разных поставщиков, объединяете использование в одном счете и часто получаете более низкую задержку, потому что LiveKit общается с провайдерами через корпоративные каналы, а не через общедоступные API.

Консолидация биллинга — это не просто удобство; она меняет ваш подход к архитектуре. Вместо того чтобы разрабатывать индивидуальные механизмы ограничения и резервного копирования для каждого поставщика, вы рассматриваете инференцию как единый ресурсный пул с предсказуемыми квотами и мониторингом.

Структура LiveKit позволяет почти механически заменять компоненты. В agent.py Hugo Pod Gladia подключается в качестве поставщика STT через простой блок конфигурации: название модели (sea salaria 1), регион (EU West) и список поддерживаемых языков.

Этот дизайн позволяет вам агрессивно экспериментировать. Хотите протестировать две TTS-гортани или два LLM-промта? Вам нужно изменить несколько строк в определении агента; LiveKit по-прежнему управляет состоянием сессии, маршрутизацией медиа и логикой повторного подключения.

Для команд, которые приходят из области необработанного WebRTC или самодельных gRPC сервисов, это совершенно другой уровень абстракции. Вы перестаете думать о сокетах и кодеках и начинаете мыслить в категориях «агентских сессий» и «задач», которые могут быть масштабированы горизонтально.

Документация LiveKit опирается на эту модель; Создание голосовых агентов | Документация LiveKit подробно описывает такие подходы, как фоновые задачи, маршрутизация с несколькими агентами и пользовательские инструменты, которые вы можете использовать повторно в многоязычных проектах.

Современные ЯИП едва ли испытывают трудности, когда вы просите их справляться с несколькими языками. Модели класса GPT-4 обучаются на триллионах токенов, собранных из многоязычного интернета, книг, форумов и репозиториев кода, охватывающих всё от английского и испанского до польского и нишевых диалектов. Если вы введете: «Ответьте на французском, затем кратко изложите на английском», они просто выполняют это, токен за токеном.

Такое многоязычное поведение не является дополнительной функцией; оно вытекает из того, как эти модели обучаются. Во время тренировки они видят параллельные концепции, выраженные на разных языках, и оптимизируют одно огромное общее пространство эмбеддингов. Поэтому, когда пользователь в середине предложения переключается с «Can you book a flight?» на «para mañana a Madrid», модель просто продолжает предсказывать следующий наиболее вероятный токен, на этот раз на испанском.

Запросы предоставляют вам точный контроль. Вы можете сказать ИНС, «Всегда отвечай на языке звонящего» или «Говори по-английски, но отражай любые цитируемые иностранные фразы». С помощью одного системного сообщения тот же экземпляр GPT-4 может обрабатывать клиентскую поддержку на немецком, техническую ориентацию на португальском и последующие вопросы на английском, всё в одной непрерывной сессии.

С точки зрения выходных данных, TTS системы, такие как 11Labs, ещё проще. Им не нужно догадываться, на каком языке вы имеете в виду; они просто синтезируют тот язык, на котором уже написан текст. Введите польский текст — получите польское аудио; подставьте французский — получите французское, часто с последовательным тембром голоса на разных языках.

Многоязычный TTS в первую очередь зависит от двух факторов: охвата языков и качества голоса. Если провайдер поддерживает, скажем, 28 языков и кросс-языковые голоса, ваше приложение может сохранять одну и ту же «персону агента», переходя с английского на испанский и польский в реальном времени. Никакой перенастройки, никакого отдельного голоса для каждого языка.

Вся эта элегантность исчезает, если слова, вводимые в LLM, неверны. Истинная магия — и истинный риск — кроются выше в STT, где модели, такие как Gladia, должны обнаруживать изменения языка, правильно их сегментировать и передавать LLM чистые, переключенные по кодам транскрипции.

Agent.py выступает в качестве схемы подключения для этой многоязычной настройки, и почти вся магия заключается в конфигурации, а не в нестандартных алгоритмах. Hugo определяет единого `Agent`, который связывает GladiaSpeechToText, сервисы вывода LiveKit и некоторые элементы управления беседой в одном быстром цикле.

Распознавание речи получает наиболее детальную настройку. Блок `GladiaSpeechToText` указывает три критически важных параметра: `model="sea-salaria-1"`, `region="eu-west"` и массив `languages`. Модель `sea-salaria-1` является рабочей лошадкой Gladia для переключения языков, предназначенной для обработки переходов между английским, испанским, польским и другими языками посреди предложения.

Выбор региона имеет значение для задержки. Указав `region="eu-west"` из Лондона, Хьюго поддерживает низкое время отклика, вместо того чтобы передавать аудио через Атлантику к стандартной точке доступа в США. Многие провайдеры STT скрывают маршрутизацию региона; Gladia делает ее явной, что редко и крайне полезно для голосового ввода в реальном времени.

Параметр `languages` позволяет сделать переход от Уровня 1 к Уровню 2. Вместо того чтобы сообщать модели «этот вызов на французском», Хьюго передает список допустимых вариантов, например: - `"en"` - `"fr"` - `"es"` - `"pl"` Гладиа затем автоматически определяет, на каком языке ведется речь в данный момент, и изменяет правила транскрипции в реальном времени.

Сторона LiveKit выглядит почти скучно на фоне остальных, и это как раз и есть цель. Для LLM инференса Хьюго подключает клиента `LiveKitInference` с моделью, такой как `"gpt-4o-realtime-preview"`, плюс короткий системный запрос: “Вы — полезный голосовой ассистент.” Никаких дополнительных многоязычных флагов, никакой маршрутизации, всего одна модель, которая уже понимает десятки языков.

Текст-в-речь использует ту же схему: клиент TTS `LiveKitInference`, нацеленный на модель, такую как `"eleven_multilingual_v2"`, с выбранным идентификатором голоса. Пока движок TTS поддерживает целевой язык, просто подача текста на польском или испанском языках работает, так что код остается практически только конфигурационным.

Передача очереди — это место, где небольшие изменения в конфигурации кардинально влияют на пользовательский опыт. Хьюго меняет модель `turn_detection` LiveKit с `"english"` на `"multilingual"`, чтобы агент правильно распознавал паузы и окончания высказываний на неанглийских языках и в смешанных языковых предложениях.

Наконец, `preemptive_generation=False` отключает привычку агента перебивать пользователей. Многие системы реального времени начинают говорить, как только они «думают», что вы закончили; это мешает переключению языков, когда пользователи добавляют клаузу на другом языке. Принуждение агента ждать четкой границы разговора делает беседы более естественными и предотвращает прерывание на полуслове.

Момент переключения кода в демонстрации начинается достаточно безобидно. Пользователь открывает диалог на английском, общаясь с агентом, как если бы это была любая другая система первого уровня. Затем приходит поворотная фраза, которая могла бы сломать большинство голосовых ботов: “Мне просто интересно, говорите ли вы по-польски.”

Вместо того чтобы ответить на английском или замереть, агент мгновенно переключается. Он отвечает на流畅ном自然的 польском, с правильной фонетикой и просодией из стека TTS, сигнализируя о том, что LLM, промпт и настройки голоса все приняли переключение языка без сброса. Никакого ручного переключения языка, никакой переинициализации, никакой задержки "переключение языков, пожалуйста, подождите".

Что имеет большее значение, так это то, что произойдет дальше. Пользователь продолжает на польском, вовлекаясь в полноценный обмен, который полностью проходит на этом языке. Агент понимает последующие польские фразы, сохраняет контекст и возвращает связные, актуальные ответы на польском — именно то поведение Tier 2, которое многоязычные продукты обещают, но редко выполняют.

Под капотом эта производительность основывается на STT. Модель Gladia получает аудио, которое начинается на английском, затем в процессе беседы переключается на польский, и при этом все равно производит точные транскрипции с низкой задержкой. Именно это качество транскрипции позволяет LLM поддерживать одно состояние разговора, а не создавать потоки «английского режима» и «польского режима».

Логи запуска выявляют интересный нюанс: `обнаружение поворотов не поддерживает язык польский`. Обнаружение поворотов определяет, когда пользователь закончил говорить, поэтому это предупреждение означает, что вторичный компонент знает, как сегментировать только определенные языки. Тем не менее, система никогда не дает заметных сбоев, так как основная система распознавания речи продолжает надежно распознавать и транскрибировать польский язык.

Это тонкий, но важный архитектурный аспект. Вы можете использовать некритические компоненты, такие как детектор оборотов с ограниченной языковой поддержкой, чтобы генерировать предупреждения, в то время как основной **Gladia** движок транскрипции продолжает работать безупречно на разных языках. В реальных развертываниях такое разделение задач позволяет вам вносить изменения в вспомогательные модули, не рискуя многоязычным ядром, которое действительно обеспечивает работу системы.

Полиго́тные агенты перестают быть исследовательской игрушкой, как только вы интегрируете высокоуровневый фреймворк, такой как LiveKit, с целенаправленным STT-движком, таким как Gladia. LiveKit справляется с запутанной реальной системой — WebRTC, сессии, жизненный цикл агента — в то время как низкозадерживающая, способная к смене кодов модель Gladia (например, её вариант sea-salaria-1) выполняет ту единственную задачу, с которой общие модели все еще не справляются: определение и транскрибирование нескольких языков в одном выдохе. Это сочетание преобразует простой голосовой бот в агент второго уровня, который отслеживает человеческие разговоры, вместо того чтобы заставлять людей отслеживать настройки системы.

Собранные вместе, эти элементы открывают продукты, которые действительно работают в глобальном масштабе. Одна линия поддержки может направлять клиентов из Мехико, Варшавы и Парижа к одному многоязычному голосовому агенту, который сопровождает их, когда они переключаются между английским для названий продуктов и родным языком для всего остального. Никаких IVR-меню, никакого "Нажмите 3 для испанского", только одна точка доступа, которая адаптируется в реальном времени.

Встречи тоже меняются. Представьте себе компаньона для Zoom или Meet, который слушает 10-часовой звонок, где участники переходят с английского на немецкий и польский, и при этом генерирует: - Живые субтитры на предпочитаемом языке каждого участника - Поисковые транскрипты с тегами по участникам и языкам - Резюме, которые фиксируют, когда и почему происходил смена языка

Потребительские помощники также получают выгоду. Двоязычная семья может говорить с домашним устройством на английском, переключиться на французский посреди предложения, чтобы обратиться к бабушке, а затем вернуться обратно без необходимости сброса по пробуждающему слову или изменения настроек приложения. Доступность возрастает, когда пользователи с ограниченной компетенцией в "стандартном" языке больше не обязаны придерживаться его, чтобы быть понятными.

Барьеры, которые раньше требовали исследовательской лаборатории — быстрая автоматическая система распознавания речи, надежный код-свитчинг, потоковая передача с низкой задержкой — теперь подходят для проекта выходного дня. LiveKit абстрагирует стек в реальном времени; Gladia обрабатывает многоязычное распознавание речи; основные LLM и TTS уже говорят на десятках языков без дополнительной настройки. Сложность больше не заключается в вопросе «Можно ли это построить?», а в вопросе «Что этот агент на самом деле должен делать?»

Вы можете ответить на это сами. Ознакомьтесь с репозиторием на GitHub из статьи «Как создать многоязычного голосового агента с LiveKit и Gladia», подставьте свои собственные подсказки и голоса и начните разрабатывать агентов, которые общаются с пользователями так, как пользователи уже общаются друг с другом.

Что такое код-свитчинг в ИИ?

Кодовое переключение — это способность голосового агентства ИИ определять и переключаться между несколькими языками в рамках одной беседы, как это делает двуязычный человек. Это требует продвинутой технологии распознавания речи.

Почему Gladia рекомендуется для многоязычных голосовых агентов?

Речь-в-текст от Gladia выделяется высокой точностью на многих языках, низкой задержкой и специфической поддержкой код-свитчинга, что является самым важным аспектом для данного типа агента.

Какова роль LiveKit в этом проекте?

LiveKit служит основой для голосового агента, управляя реальным временем общения (WebRTC) и предоставляя набор инструментов для разработки агентов. Его функция вывода также упрощает использование моделей, таких как GPT-4 и 11Labs, проксируя вызовы API.

Могу ли я использовать другую модель LLM или TTS с этой конфигурацией LiveKit?

Да. Фреймворк LiveKit гибкий. Хотя в уроке используется GPT-4 от OpenAI и 11Labs через LiveKit Inference, вы можете интегрировать другие языковые модели и сервисы преобразования текста в речь, которые соответствуют вашим требованиям.