把现场语音变成 Agent 能处理的业务指令

AI 语音识别用于把用户的语音输入转换为文本，再交给 AI Agent 按普通消息继续处理。它解决的是：用户不方便打字时如何提交问题、现场作业如何快速记录需求、移动端如何用语音完成咨询和指令输入。

语音识别服务本身只负责“语音转文字”。Agent 仍然负责理解业务意图、调用工具、查询知识库、读写文件和返回结果。开发者需要先创建语音识别服务，再在 Agent 的输入输出配置中选择该服务。

语音识别在 Agent 链路中的位置

开启语音输入后，用户在聊天入口中录音，平台会先调用语音识别服务得到文本，再把文本填入或发送给 Agent。后续流程与普通文本消息一致。

这意味着语音识别不会改变 Agent 暴露给大模型的工具、知识库范围、文件空间配置和输出格式。它只是让“输入方式”从键盘扩展到麦克风。

什么场景适合开启语音输入

以下场景适合为 Agent 配置语音识别服务：

• 移动端咨询：用户在手机上通过语音描述问题，减少长文本输入成本。
• 现场作业：巡检、维修、仓储、门店等场景中，用户双手不方便输入。
• 客服坐席：坐席快速口述客户问题、处理过程和下一步动作。
• 会议和访谈记录：把短语音片段转为文字，再由 Agent 总结、归类或生成待办。
• 低频复杂指令：用户临时描述一段较长需求，让 Agent 转成结构化处理任务。

如果用户主要在桌面端输入明确短句，或者业务要求非常精确的字段录入，文字输入通常更稳定。

语音识别、输入变量和输出格式如何配合

语音识别解决“用户怎么把自然语言输入进来”，输入变量解决“程序调用或聊天预填参数怎么传入”，输出格式解决“Agent 结果如何被读取和处理”。

例如一个“工单登记 Agent”可以这样配置：

• 用户用语音描述问题现象。
• 输入变量提供客户编号、设备编号、服务区域等已知参数。
• Agent 根据语音文本和输入变量创建工单草稿。
• 输出格式返回工单标题、问题分类、紧急程度和处理建议。

语音输入不适合承载所有业务参数。订单号、客户 ID、日期范围等必须稳定识别的内容，仍建议通过输入变量、页面组件或扫码等方式传入。

与大模型、知识库、Skill 的分工

能力	主要职责
AI 语音识别	把用户录音转成文本
AI Agent	理解文本意图，规划任务并执行动作
输入输出配置	定义参数来源和返回结果结构
知识库	提供可检索的业务资料
Skill	提供可复用的流程、规则和输出规范

语音识别质量会影响 Agent 对任务的理解，但它不负责判断业务正确性。对于高风险操作，仍需要通过角色中的 Agent 权限、数据模型权限、服务函数权限、结构化输出和业务复核流程来控制风险；非授权调用会被运行时自动阻止。

推荐配置顺序

建议按下面顺序接入语音输入：

1. 判断目标 Agent 是否真的需要语音输入。
2. 创建语音识别服务并配置 API Key 和默认模型。
3. 在 Agent 的 基础配置 -> 输入 & 输出 中选择语音识别服务。
4. 在真实使用入口测试录音、转写和 Agent 响应。
5. 根据业务场景补充输入变量、输出格式和权限控制。

如果你已经准备开始配置，可以继续阅读创建一个供 Agent 使用的语音识别服务。