文字轉語音
當 Agent 需要在對話中把文字回答轉成語音時，使用 Text to Speech。
這個工具適合用在使用者希望用聽的、不想只閱讀文字，或你的 channel 體驗本來就需要語音後續訊息的情境。
什麼時候適合用 Text to Speech
適合用在：
- 使用者明確要求音訊版本
- 回答內容已經穩定，可以被讀出來
- 用聽的比閱讀更適合這個情境
不要用在：
- Agent 還在收集事實或判斷要說什麼
- 使用者只需要一般文字回答
- 內容包含秘密、付款資料，或其他不適合轉成音訊的敏感資訊
Step 1：加入 Text to Speech
在 Editor 打開 Tools，按 Add Tool，然後選擇 Text to Speech。
Step 2：選擇語音模型
選擇這個 Agent 要使用的 ElevenLabs 語音模型。
如果模型清單是空的，代表 workspace 或環境可能還沒有完成 ElevenLabs 設定。請先請管理員確認 provider 設定，再測試這個工具。
Step 3：選擇語言行為
除非你想固定語音語言，否則 Language 可以維持自動判斷。
固定語言適合用在：
- Agent 永遠應該用同一個目標語言說話
- 使用者可能用多種語言輸入，但音訊輸出要保持一致
- 教學、陪練或客服流程需要降低語音語言的變動
Step 4：選擇聲音
Voice Gender 只是用來縮小候選清單。真正影響輸出的是你最後選擇的 Voice。
選好聲音後，如果有 preview sample，請先播放確認。即使 preview sample 是另一種語言，多語言模型仍可能可以用你選擇的語言生成音訊。
Step 5：寫清楚 When to Use
把語音生成當成刻意選擇的輸出模式，而不是預設回答方式。
範例：
Use this tool when the user asks to hear the answer as audio, or when the agent has finished a stable explanation that would be easier to review by listening. Do not use it while collecting sensitive information or when a normal text reply is enough.
這樣寫有三個好處：
- 說清楚哪些使用者要求會觸發音訊
- 說清楚對話進行到哪裡才適合產生音訊
- 說清楚哪些情況應該保持文字回答
Step 6：用需要音訊的 prompt 測試
可以測這類 prompt：
Can you read that answer out loud for me?Please give me an audio version of the next-step summary.
然後確認：
- 只有在音訊明確有用時才會呼叫工具
- 選擇的聲音與語言符合預期體驗
- Agent 仍然先產生正確文字回答，再搭配語音行為
操作建議
- 觸發條件要窄，不要讓 Agent 每一則回答都產生音訊。
- 對外分享 Agent 前，先選一個符合服務語氣的聲音。
- 不要把一次性秘密、驗證碼、付款卡號或其他應該保持文字形式的內容轉成音訊。
- 如果使用者上傳音訊附件，Agent 的 LLM 模型仍然必須支援 audio input。這個工具控制的是語音輸出，不會讓所有模型都能理解音訊輸入。
常見錯誤
把語音當成預設回答方式
如果每一則回答都變成音訊，對話會變慢，也更難快速掃讀。只有在情境真的受益於音訊時才使用。
沒測過聲音就發布
如果有 sample，請先 preview，再用真實 prompt 測一次。
混淆音訊輸出與音訊輸入
Text to Speech 是把文字轉成語音。音訊上傳與音訊附件仍然要看模型與 channel 是否支援，請搭配 LLM 模型選擇 閱讀。