# Architektury agentów głosowych

EN: **Voice agent architectures** · id `voicearch`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Język, obraz, audio](https://aiatlasgraph.com/t/modalities.md) › [Mowa i audio](https://aiatlasgraph.com/t/audio.md) › [Agenci głosowi](https://aiatlasgraph.com/t/voiceagents.md) › Architektury agentów głosowych

## Description

- PL: Sposoby połączenia rozumienia mowy, decyzji agenta i generowania głosu: modułowe, zintegrowane lub delegujące rozumowanie.
- EN: Ways to combine speech understanding, agent decisions and voice generation: modular, integrated or with delegated reasoning.

## In one sentence

- PL: To różne sposoby połączenia słuchania, podejmowania decyzji i mówienia w głosowym asystencie.
- EN: These are different ways to connect listening, decision-making and speaking in a voice assistant.

## Problem it solves

- PL: Asystent ma szybko rozmawiać, lecz potrzebujesz też kontroli nad kosztami, narzędziami i treścią odpowiedzi.
- EN: An assistant must converse promptly, while you also need control over costs, tools and response content.

## What it does

- PL: Możesz rozdzielić zadania między wymienne części, zintegrować je w modelu albo przekazywać trudniejsze decyzje osobnemu zapleczu.
- EN: You can split tasks among replaceable components, integrate them into a model or delegate harder decisions to a separate backend.

## Everyday example

- PL: Przy budowie telefonicznej rezerwacji wybierasz między osobnymi modułami mowy a modelem prowadzącym rozmowę bezpośrednio.
- EN: When building telephone booking, you choose between separate speech components and a model that handles spoken dialogue directly.

## This concerns you if you…

- PL: wybierasz sposób budowy głosowego asystenta
- PL: porównujesz szybkość i kontrolę różnych rozwiązań
- EN: choose how to build a voice assistant
- EN: compare speed and control across different designs

## Keywords

STT-LLM-TTS · speech-to-speech · Moshi · Pipecat · delegated reasoning · stream synchronization · neural audio codecs · voice frontend

## How it works

- PL: Potok kaskadowy przekazuje tekst między rozpoznaniem, agentem i syntezą, zachowując osobne granice modułów. Model zintegrowany łączy audio z decyzjami wewnętrznie, a wariant delegowany wymienia z osobnym agentem kontekst zadania i wyniki.
- EN: Cascaded pipelines pass text between recognition, agents and synthesis with separate module boundaries. Integrated models connect audio and decisions internally, while delegated designs exchange task context and results with a separate agent.

## Limits

- PL: Granice modułów wpływają na opóźnienie, obserwowalność i zachowanie informacji o głosie. Architektury różnią się kontrolą historii oraz przerwań; wspólny diagram nie zapewnia identycznej obsługi narzędzi.
- EN: Module boundaries affect latency, observability and retention of voice information. Architectures differ in history and interruption control; shared diagrams do not imply identical tool support.

## Key terms

- PL: **potok kaskadowy**: Osobne moduły kolejno przekazujące rozpoznany tekst, decyzję i mowę.
- PL: **delegacja zadania**: Przekazanie pracy osobnemu agentowi i włączenie jego wyniku do dialogu.
- EN: **cascaded pipeline**: Separate modules passing recognised text, decisions and speech in sequence.
- EN: **task delegation**: Assigning work to a separate agent and incorporating results into dialogue.

## Know first

- [Rozpoznawanie mowy / ASR (Automatic speech recognition)](https://aiatlasgraph.com/t/asr.md)
- [Synteza mowy / TTS (Text-to-speech)](https://aiatlasgraph.com/t/tts.md)
- [Workflow i udział człowieka (Workflows and human-in-the-loop)](https://aiatlasgraph.com/t/workflows.md)

## Examples

- PL: potok STT → agent → TTS · model mowa–mowa · głosowy front i osobny agent
- EN: STT → agent → TTS pipeline · speech-to-speech model · voice frontend with a separate agent

## Subtopics (3 direct, 3 in total)

- [Głosowy front i osobny agent zadaniowy (Voice frontend with delegated reasoning)](https://aiatlasgraph.com/t/delegatedvoice.md): A voice model conducts the live conversation while delegating reasoning and tools to a separate text agent; the result returns to the spoken dialogue.
- [Modele mowa–mowa (Speech-to-speech models)](https://aiatlasgraph.com/t/speech2speech.md): A model takes speech and generates speech without separate STT and TTS services in the pipeline. Its internal representation may still include text or transcription; tool use and context control depend on the model.
- [Potok STT → agent tekstowy → TTS (Cascaded STT–text agent–TTS pipeline)](https://aiatlasgraph.com/t/cascadedpipeline.md): Separate speech recognition, a text agent and speech synthesis. Stages can be swapped, inspected and connected to an existing workflow.

## Sources

- [Voice AI & Voice Agents: An Illustrated Primer](<https://voiceaiandvoiceagents.com/>) `voiceprimer` · by Kwindla Hultman Kramer i współautorzy (Daily / Pipecat)
- [WavChat: A Survey of Spoken Dialogue Models](<https://arxiv.org/abs/2411.13577>) `wavchat-survey` · by Shengpeng Ji i współautorzy
- [OpenAI API: Voice agents](<https://developers.openai.com/api/docs/guides/voice-agents>) `openai-voice-guide` · by OpenAI
- [From Turn-Taking to Synchronous Dialogue: A Survey of Full-Duplex Spoken Language Models](<https://arxiv.org/abs/2509.14515>) `duplex-survey-2025` · by Yuxuan Chen i Haoyuan Yu

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/voicearch · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30