语音与在场

语音是围绕普通智能体外接的两个可替换外设：语音转文字作为耳朵，文字转语音作为嘴巴。在一个会话中打开麦克风，你就进入了一场全双工对话——智能体能听到你，你也可以随时打断它。服务提供方可配置；默认技术栈无需任何第三方密钥即可运行。

这里的「语音」指的是应用内的实时对话，而不是拨打电话——关于短信与邮件渠道，参见邮件与消息。

一台计算机或手机会暴露一个可写的显示界面：写入一次操作，它就会画出来。一套操作集覆盖了智能体能放到屏幕上的一切——在实时界面上叠加一条提示、呈现一个独立场景（一张face、一个 html 页面、一块 whiteboard、一段媒体循环，或另一路摄像头的镜像）、说话，或播放音频。这份操作日志是唯一的真实来源，在设备上和浏览器查看器中渲染出的效果完全一致。

# Everything an agent puts into the world is one op on the writable display file.
echo '{ "op": "scene", "scene": { "kind": "face" } }'                  >> display.jsonl
echo '{ "op": "say", "text": "Welcome — how can I help?" }'            >> display.jsonl
echo '{ "op": "scene", "scene": { "kind": "whiteboard" } }'           >> display.jsonl

• 一个无需人手值守的柜台——平板上的一张脸负责问候、回答问题，并在超出能力范围时呼叫人工。
• 一块共享白板——智能体用人类会用的同一套操作绘图，并能把白板内容读回为文字。
• 标识牌与状态大屏——一个会话驱动一整支闲置屏幕的车队，每一块都有自己的场景。
• 一部具身化的手机——摄像头作为眼睛，麦克风作为耳朵，手机自己的屏幕上是一张动画脸。

面向外部的输出会触达那些从未打开过应用的人，因此它默认由所有者控制、对外部显示屏默认关闭；智能体的脸会携带 AI 披露标识，房间里的麦克风则始终需要显式开启同意。部署迎宾员的场所自己承担相应的本地披露与同意义务。