高度な会話型AIの構築には、リアルタイムの音声駆動エージェントが含まれるようになりました。これらには、低遅延の双方向通信とリアルタイムの情報取得が必要です。このガイドでは、GeminiとGoogle Agent Development Kit (ADK) を使用してそのようなエージェントを構築する方法を説明します。プロセスは、ペルソナを持つが外部ツールへのアクセスを持たない基本的なエージェントから始まります。この基本的なエージェントは、事前学習済みの知識を使用してチャットできます。機能を強化するために、高度なエージェントは、ライブデータやサービスにアクセスするためのツールを備えています。ADKは、リアルタイム情報のためのGoogle検索やGoogleマップ統合のためのMCP Toolsetなどのツールを提供します。エージェントはオーケストレーターとして機能し、タスクを専門的なツールに委任します。RunConfigオブジェクトは、音声選択や双方向ストリーミングを含む通信を管理します。双方向ストリーミングにより、ユーザーはエージェントを中断することができ、より自然な会話を促進します。リアルタイムの音声チャットは、PythonのasyncioとTaskGroupを使用して非同期に管理され、リスニング、思考、スピーキングを同時に処理します。音声データはBase64エンコーディングを使用して送信され、テキストの書き起こしは即時のユーザーフィードバックのためにストリーミングされます。リソースには、Google ADK、GeminiのNative Audio、およびGitHub上のプロジェクトソースコードが含まれます。