AI 推論與語音代理
Pipecat 1.10、音声エージェントのプロバイダーインターフェースを再編――OpenAI 3へのアップグレードでTLSの挙動が変わる可能性
Pipecat 1.10は、フラグメントをまたぐ音声の連続性、サーバー側の発話分割、調整可能な音声バッファリングを追加し、新版のOpenAI、Anthropic、MCP SDKにも対応した。今回のアップグレードでは一部のHTTP、STT、推論のデフォルト値も変更されており、既存のコンテナや音声パイプラインの互換性は、パッケージテストだけでは判断できない。
オープンソースのリアルタイム音声エージェントフレームワークPipecatは、9月12日にバージョン1.10.0をリリースした。Smallest TTSは、単一のLLMターン内にあるテキストフラグメントを同じ`context_id`で連結するようになり、ストリーミングリクエストのたびに韻律がリセットされるのを防げる。また、`max_buffer_delay_ms`でサーバー側のバッファリングを制御できる。Gradium STTにはサーバー側のturn detectionと、`eot_horizon_s`、`eot_threshold`などのエンドポイントパラメーターが追加された。LiveKitの出力キューも`audio_out_queue_size_ms`で調整でき、高ジッターのネットワークにおけるunderrunを抑えられる。
デプロイ担当者がより注意すべきなのは、依存パッケージとデフォルト動作の変更だ。`openai`の対応バージョン範囲は3.xまで拡大された。依存関係の解決でOpenAI 3が選択された場合、基盤部分では`httpx2`が使用され、TLSの信頼ストアも`certifi`からOSの信頼ストアへ切り替わる。システムCAを持たない最小構成のコンテナや、TLS inspectionを使用する企業環境では、`SSL_CERT_FILE`／`SSL_CERT_DIR`の設定が必要になる可能性がある。サービスに渡す`Timeout`型も、実際に使用するHTTP clientファミリーと一致させる必要がある。Anthropic SDKは1.xへアップグレードでき、MCP clientは1.xまたは2.xのSDKと組み合わせられるようになった。一方、独自構築したBedrock clientではAWS regionを明示的に指定する必要がある。
Speechmaticsの変更は、より移行作業に近い。サービスの接続先が`/v2/agent`に変更され、デフォルトではプロバイダー側のVADがターンを判定する。また、speaker focusと複数の旧パラメーターが削除された。DeepSeekサービスでは、音声のfirst-token latencyを短縮するため、thinkingがデフォルトで無効になった。同時に、ツール呼び出し後に`reasoning_content`が欠けることで発生していた400エラーも修正された。エンジニアリングチームは実際の通話を使い、first-word latency、割り込み、再接続、終了イベントの順序を改めて測定すべきだ。リリースノートにはend-to-end latencyや安定性のベンチマークが示されていないため、バッファー制御の追加をそのまま性能向上と見なすことはできない。