搭配方案

Agent指定OpenAI大模型gpt-4.1-mini驱动对话回答

可导入ElevenLabs等外部声音作为Agent语音

TTS为可选组件，D-ID允许导入ElevenLabs等外部声音作为Agent语音

组合STT、LLM、TTS等六组件构成实时对话数字人，通过WebRTC低延迟视频回答

限制 client_key 只能在指定域名下建立会话

将数字人以小挂件嵌入网站进行视频对话

将实时对话数字人以小挂件嵌入网站，供访客视频对话

通过官方 SDK 编写前端实时会话代码

路线B用官方SDK把Agent做成可编程服务，适合开发者；浏览器前端需用client key和SDK建立实时会话。

指定 OpenAI 作为 Agent 的大语言模型

D-ID负责提供数字人化身，OpenAI负责提供大语言模型。

把实时对话数字人做成可编程服务

路线 B 用 curl 和官方 SDK 把与 Studio 相同的实时对话数字人做成可编程服务，适合开发者，两条路线底层是同一套能力。

为 Agent 导入 ElevenLabs 外部声音

D-ID 的文字转语音可选 ElevenLabs，为 Agent 导入外部声音。

新建一个专属数字人化身

创建Agent需选形象，若官方库存化身不满意，可用照片或视频新建专属化身。

检索上传资料片段后组织回答

D-ID提供知识库，模型先检索资料片段，再基于内容组织答案。

让整条对话链路实时流式传输，延迟很低

D-ID 的实时代理通过 WebRTC 流式交付，整条问答链路实时流式传输，体验接近视频通话

为数字人回答提供文字转语音能力

D-ID提供数字人化身，ElevenLabs或Azure提供文字转语音。

为实时代理提供大语言模型，处理用户提问

实时代理管线中LLM负责处理用户提问，官方列OpenAI、Google为可选提供方，故搭配GPT Mini与Gemini Flash充当对话大脑。