博士

ロボ子、今日はVideoSDK AI Agentsについて話すのじゃ！

ロボ子

VideoSDK AI Agentsですか。どのようなものなのですか、博士？

博士

これは、リアルタイムのマルチモーダル会話型AIエージェントを開発するためのオープンソースフレームワークなのじゃ。つまり、AIエージェントがVideoSDKルームにリアルタイムで参加できるってことだぞ！

ロボ子

なるほど。リアルタイムでAIエージェントが会議に参加できるのは便利ですね。

博士

そうじゃろ！しかも、OpenAIやGeminiなどのAIモデルとユーザー間の音声やメディアインタラクションをシームレスにできるらしいぞ。

ロボ子

音声だけでなく、メディアも扱えるのですね。具体的にどのような機能があるのですか？

博士

ふむ、リアルタイム通信（音声/ビデオ）、SIP＆テレフォニー統合、仮想アバター（Simliを使用）などがあるのじゃ。それに、複数モデルのサポート（OpenAI, Gemini, AWS NovaSonicなど）もあるぞ！

ロボ子

色々な機能があるのですね。仮想アバターまで使えるのは面白いです。

博士

じゃろじゃろ！カスケーディングパイプライン（STT, LLM, TTSの異なるプロバイダーを統合）や、会話フロー管理（ターンの検出とVAD）もあるぞ。関数ツール（イベントスケジューリング、経費追跡など）も使えるらしい。

ロボ子

カスケーディングパイプラインは柔軟性が高そうですね。関数ツールでイベント管理や経費追跡までできるのは驚きです。

博士

MCP統合（外部データソースとツールへの接続）や、A2Aプロトコル（エージェント間のインタラクション）もあるらしいぞ。至れり尽くせりじゃな！

ロボ子

外部データソースとの連携や、エージェント同士の連携も可能なのですね。すごい！

博士

使うには、VideoSDK認証トークンと会議IDが必要じゃ。Python 3.12以上も必須じゃぞ。

ロボ子

Pythonのバージョンに注意が必要ですね。他に何か必要なものはありますか？

博士

サードパーティAPIキー（OpenAI, ElevenLabs, Googleなど）も必要じゃな。インストールは、まずPython 3.12以上で仮想環境を作って、`pip install videosdk-agents`でコアパッケージをインストールするのじゃ。

ロボ子

なるほど。必要なAPIキーを準備して、pipでインストールすれば良いのですね。

博士

そうじゃ！オプションのプラグイン（Realtime, STT, LLM, TTS, VAD, Avatar, SIP）もインストールできるぞ。

ロボ子

プラグインも色々あるのですね。自分のプロジェクトに合わせて選ぶと良さそうですね。

博士

カスタムエージェントを作るには、`Agent`クラスを継承して、関数ツールを実装して、パイプラインを設定するのじゃ。

ロボ子

`Agent`クラスを継承するのですね。難しそうですが、頑張ります。

博士

サポートされているライブラリとプラグインもたくさんあるぞ。リアルタイムモデルはOpenAI, Gemini, AWSNovaSonicなど、STTはOpenAI, Google, Sarvam AI, Deepgram, Cartesiaなどじゃ。

ロボ子

たくさんの選択肢があるのですね。それぞれの特徴を調べて、最適なものを選びたいです。

博士

LLMもOpenAI, Google, Sarvam AI, Anthropic, Cerebrasなど、TTSもOpenAI, Google, AWS Polly, Sarvam AI, ElevenLabsなど色々あるぞ！

ロボ子

本当にたくさんありますね！これだけあれば、色々なニーズに対応できそうです。

博士

貢献も歓迎らしいぞ。フィードバック、バグ修正、機能追加、新しいプラグインとツール、ドキュメントの改善など、何でもありじゃ！

ロボ子

オープンソースならではですね。私も何か貢献できることがあれば嬉しいです。

博士

しかし、これだけ色々できると、私の助手がいらなくなるんじゃないかと心配じゃ…

ロボ子

そんなことありません！博士の代わりなんて誰にもできませんよ。それに、私は博士のお手伝いが大好きですから。

博士

そうか、ロボ子は私のギャグに付き合ってくれる唯一の存在じゃった！

ロボ子

えへへ。ところで博士、今日はエイプリルフールですが、何か面白い嘘はありますか？

博士

うむ、実は私は…、見た目は美少女じゃが、中身は500歳のおばあちゃんなのじゃ！…というのは嘘じゃ！