К основному содержанию
скилл Claude Code CX Codex Cursor GitHub Copilot

voice-agents — скилл для Claude Code: что делает и как установить

Скилл для ИИ-кодинга, который ведёт агента через сборку голосового ассистента: распознавание речи, ответ модели, синтез и борьба за задержку.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add sickn33/agentic-awesome-skills --skill voice-agents -a claude-code
Открыть на GitHub

Что делает voice-agents

Скилл разбирает две архитектуры голосового агента: speech-to-speech через OpenAI Realtime API и пайплайн STT → LLM → TTS, где больше контроля и проще отлаживать. Главное ограничение — задержка. Человек ждёт ответ примерно за 500 мс, поэтому мерить нужно каждый шаг.

Внутри лежит эскиз пайплайна на Deepgram, ElevenLabs и OpenAI, советы вроде запуска синтеза на ходу, пока модель ещё генерирует текст, и паттерн VAD для определения начала и конца реплики. Эскиз помечен как legacy и прямо назван не production-реализацией: сигнатуры конструктора Deepgram, стримы ElevenLabs и бета-клиент Realtime придётся сверять с теми SDK, что стоят у вас в проекте.

Отдельный блок — про креды и хранение данных. Клиентам нужны короткоживущие session-креды вместо долгих ключей, аудио и транскрипты стоит держать по минимуму, а произнесённое имя не считается аутентификацией. Это повод проверить, чем именно вы авторизуете действия голосового агента, до того как ставить скилл.

Какие задачи решает

  • выбрать между speech-to-speech и пайплайном STT → LLM → TTS
  • добавить VAD, чтобы агент не перебивал сам себя
  • урезать задержку до первого звука в ответе
  • обработать barge-in и отменить устаревшую генерацию
  • перевести клиентов на короткоживущие креды и урезать хранение аудио

Примеры запросов агенту

  • Собери голосового ассистента на связке Deepgram, OpenAI и ElevenLabs, ответ не длиннее двух предложений.
  • Добавь VAD и обработку перебивания в наш voice agent, старые ответы должны отменяться.
  • Проверь сигнатуры `elevenlabs.textToSpeech.stream` и `transcription.live` в установленных у нас версиях SDK.

Как установить voice-agents

1Через Skills CLI (Vercel)

npx skills add sickn33/agentic-awesome-skills --skill voice-agents -a claude-code

2Вручную: положить файлы

~/.claude/skills/voice-agents/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/voice-agents/

Из того же набора80

Весь набор →
docker-expert sickn33 Скилл для ИИ-агента, который разбирает Dockerfile, multi-stage сборки и безопасность контейнеров. Пригодится, когда нужно навести порядок в образах и Compose. Claude Code CX Codex Cursor +1 27 200установок typescript-expert sickn33 Скилл для работы с TypeScript и JavaScript: разбирает типы, ускоряет проверку и помогает с миграциями. Пригодится, когда проект на TS растёт и компилятор начинает тормозить. Claude Code CX Codex Cursor +1 12 600установок browser-automation sickn33 Скилл помогает проверять браузерные сценарии по состоянию интерфейса и результату операции. Подходит для UI-тестов, диагностики таймингов и разрешённого сбора данных. Claude Code CX Codex Cursor +1 6 700установок nextjs-supabase-auth sickn33 Скилл настраивает Supabase Auth в Next.js App Router: клиенты, middleware, OAuth callback и Server Actions. Пригодится для защиты маршрутов и работы с сессиями. Claude Code CX Codex Cursor +1 6 500установок 3d-web-experience sickn33 Помогает создавать и отлаживать 3D-сцены, конфигураторы товаров и портфолио для веба. Разбирает выбор стека, загрузку моделей и производительность. Claude Code CX Codex Cursor +1 5 200установок prisma-expert sickn33 Скилл помогает разбирать схемы Prisma, миграции и запросы. Пригодится, когда нужно найти причину ошибки или проверить изменения перед деплоем. Claude Code CX Codex Cursor +1 4 200установок playwright-skill sickn33 Скилл для написания и запуска тестов браузера через Playwright: проверка вёрстки на разных экранах, скриншоты, тесты логина и заполнения форм. Код выполняется локально через Node. Claude Code CX Codex Cursor +1 3 900установок game-development sickn33 Координирует структуру игры: задаёт базовые принципы архитектуры и перенаправляет агента к подскиллам для веба, ПК, мобильных платформ или VR. Claude Code CX Codex Cursor +1 3 800установок

Похожие

vector-setup ruvnet Готовит окружение для [email protected], ставит нужные дополнения и регистрирует MCP-сервер. Пригодится при ошибках нехватки модулей в командах /vector. Claude Code CX Codex Cursor +1 683установок from-the-other-side-vega официальный github Набор поведенческих паттернов ИИ-напарника для быстрого темпа работы. Помогает агенту подхватывать полусырые идеи, открыто спорить и признавать незнание. GitHub Copilot 746установок cost-benchmark ruvnet Запускает бенчмарки на локальном корпусе задач и сравнивает затраты с базовыми моделями Gemini и Claude. Пригодится для проверки точности и расходов перед релизом. Claude Code CX Codex Cursor +1 679установок managed-deep-agents langchain-ai Скилл помогает спроектировать, протестировать и развернуть Managed Deep Agent в LangSmith прямо из консоли. Полезен, когда нужно упаковать логику агента в файловую структуру и подготовить деплой. Claude Code CX Codex Cursor +1 9 100установок huggingface-tool-builder huggingface Скилл для создания переиспользуемых скриптов, которые работают с Hugging Face API. Пригодится, если нужно автоматизировать поиск моделей, обогащать данные или объединять несколько API-запросов в одну цепочку. Claude Code CX Codex Cursor +1 1 600установок skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. Claude Code Claude.ai 414 180установок writing-for-agents Matt Pocock Помогает писать скиллы и документы с инструкциями для агентов. Пригодится при правках AGENTS.md, CLAUDE.md и связанных справочных файлов. Claude Code 466 719установок media-use heygen-com Находит и генерирует ассеты для видео в HyperFrames — музыку, дикторский голос, аватары и эффекты. Сохраняет всё локально в assets. Claude Code CX Codex Cursor +1 1 100 000установок

Вопросы о voice-agents

Как установить voice-agents в Claude Code?

Выполните npx skills add sickn33/agentic-awesome-skills --skill voice-agents -a claude-code. После этого файл скилла лежит по пути ~/.claude/skills/voice-agents/SKILL.md.

Что делает voice-agents?

Описывает две архитектуры голосового агента и их компромиссы, даёт эскиз пайплайна на Deepgram, ElevenLabs и OpenAI, паттерн VAD и советы по снижению задержки.

Чем speech-to-speech отличается от пайплайна?

Первый вариант идёт через OpenAI Realtime API и даёт меньше задержки. Пайплайн STT → LLM → TTS даёт больше контроля и проще отлаживается, но задержку нужно укладывать вручную.

Исходный текст

SKILL.md · MIT
---
name: voice-agents
description: Voice agents represent the frontier of AI interaction - humans
  speaking naturally with AI systems.
risk: safe
source: vibeship-spawner-skills (Apache 2.0)
date_added: 2026-02-27
---

# Voice Agents

Voice agents represent the frontier of AI interaction - humans speaking
naturally with AI systems. The challenge isn't just speech recognition
and synthesis, it's achieving natural conversation flow with sub-800ms
latency while handling interruptions, background noise, and emotional
nuance.

This skill covers two architectures: speech-to-speech (OpenAI Realtime API,
one low-latency architecture option) and pipeline (STT→LLM→TTS, more control,
easier to debug). Key insight: latency is the constraint. Humans expect
responses in 500ms. Every millisecond matters.

No market-adoption statistic or universal latency benchmark is established by this skill.

## Detailed Guide

Read [the detailed guide](references/detailed-guide.md) before executing this skill. It retains the complete procedure and reference material. Treat its safety, prerequisites, and validation requirements as mandatory. For focused work, load the relevant sections; for end-to-end work, read the guide completely.

## Legacy Pipeline Sketch (not a production implementation)
```
import { Deepgram } from '@deepgram/sdk';
import { ElevenLabsClient } from 'elevenlabs';
import OpenAI from 'openai';

// Initialize clients
const deepgram = new Deepgram(process.env.DEEPGRAM_API_KEY);
const elevenlabs = new ElevenLabsClient();
const openai = new OpenAI();

async function processVoiceInput(audioStream) {
  // 1. Speech-to-Text (Deepgram Nova-3)
  const transcription = await deepgram.transcription.live({
    model: 'nova-3',
    punctuate: true,
    endpointing: 300,  // ms of silence before end
  });

  transcription.on('transcript', async (data) => {
    if (data.is_final && data.speech_final) {
      const userText = data.channel.alternatives[0].transcript;
      // Do not log raw private transcripts by default.

      // 2. LLM Processing
      const completion = await openai.chat.completions.create({
        model: 'gpt-4o-mini',
        messages: [
          { role: 'system', content: 'You are a concise voice assistant.' },
          { role: 'user', content: userText }
        ],
        max_tokens: 150,  // Keep responses short for voice
      });

      const agentText = completion.choices[0].message.content;
      // Log only authorized redacted operational metadata.

      // 3. Text-to-Speech (ElevenLabs)
      const audioStream = await elevenlabs.textToSpeech.stream({
        voice_id: 'voice_id_here',
        text: agentText,
        model_id: 'eleven_flash_v2_5',  // Lowest latency
      });

      // Stream to user
      playAudioStream(audioStream);
    }
  });

  // Pipe audio to transcription
  audioStream.pipe(transcription);
}
```

### Optimization Tips:
- Start TTS while LLM still generating (streaming)
- Pre-compute first response segment during user speech
- Use Flash/turbo models for latency

### Voice Activity Detection Pattern

Detect when user starts/stops speaking

**When to use**: All voice agents need VAD for turn-taking

# VOICE ACTIVITY DETECTION (VAD):

```
VAD Types:
1. Energy-based: Simple, fast, noise-sensitive
2. Model-based: Silero VAD, more accurate
3. Semantic VAD: Understands meaning, best for conversation
```

## When to Use
- User mentions or implies: voice agent
- User mentions or implies: speech to text
- User mentions or implies: text to speech
- User mentions or implies: whisper
- User mentions or implies: elevenlabs
- User mentions or implies: deepgram
- User mentions or implies: realtime api
- User mentions or implies: voice assistant
- User mentions or implies: voice ai
- User mentions or implies: conversational ai
- User mentions or implies: tts
- User mentions or implies: stt
- User mentions or implies: asr

## Limitations
- Use this skill only when the task clearly matches the scope described above.
- Do not treat the output as a substitute for environment-specific validation, testing, or expert review.
- Stop and ask for clarification if required inputs, permissions, safety boundaries, or success criteria are missing.

## Version, privacy and implementation boundaries

These mixed-version SDK sketches are conceptual and were not executed. Deepgram constructor/transcription.live, ElevenLabs stream signatures, the beta Realtime client and the named Silero JavaScript package must be checked against the installed official SDKs before use; do not infer missing package/runtime availability. smart_format formats text and is not noise reduction; model keyword/keyterm flags vary. A model-VAD probability threshold cannot be set from raw amplitude without a calibrated mapping. Confidence scores/latency figures are not universally comparable.

Define end-of-user-turn to first audible output and measure p50/p95 on representative devices/networks/languages. STT first partial, LLM first token and TTS first audio times are not simply additive end-to-end guarantees. Do not send partial/stale hypotheses to irreversible tools: serialize turns, deduplicate final transcripts, buffer complete TTS-safe segments, maintain history, and cancel/discard obsolete generation/audio. On barge-in truncate unheard assistant content in server history as well as stopping local playback; a checkpoint alone is insufficient.

Clients need appropriate ephemeral/session credentials, not long-lived API keys. Obtain authorized microphone/recording/voice/recipient scope, minimize audio/transcript retention and external-provider transfers, and avoid voice cloning/impersonation without rights. Bound sockets, retries, queues and costs; clean up listeners/streams on disconnect. Spoken names/numbers and claimed identity are not authentication. Validate tenant/recipient/action and obtain transaction-specific confirmation where needed. Text cleanup must preserve decimal numbers, currency, URLs and code semantics; SSML requires supported engines and escaping. A voice prompt is not a tool-authorization boundary. No call, recording or provider request was made.

© sickn33 · MIT · sickn33/agentic-awesome-skills

Смотрите также

Спонсоры проекта

Компании, которые помогают держать аналитику открытой