用途：本技能面向 Hume 共情语音接口（EVI）实时语音智能体的设计、实现、故障排查与评审。EVI 是实时语音到语音接口，会流式接收用户音频、测量表达性声音调制、生成语言回应并输出富有表现力的助手语音，应按实时对话系统对待，而非批量转写或批量 TTS。若只做离线 Hume 文本转语音/Octave 工作，除非在配置 EVI 声音或对比 EVI 与 TTS，否则不适用。
主要能力：基于 WebSocket 的聊天接口接受流式 audio_input、session_settings、user_input、assistant_input 及工具响应消息；音频须以小分块连续流式发送，不能整段预录音频文件。Hume 建议一般约 20 毫秒缓冲，Web 应用约 100 毫秒。支持持久化 EVI Config（版本、声音、系统提示、语言模型、工具、快响应、轮次检测、打断敏感度、超时、webhook）与会话级 Session Settings。支持用户自定义工具与内置工具。表达测量仅来自音频用户消息，纯文本 user_input 不提供。
版本与模型：截至 2026-07-10，支持的 EVI 版本为 EVI 3 和 EVI 4-mini；EVI 1 与 EVI 2 已于 2025-08-30 终止支持。省略 config_id 时默认使用 EVI 3。EVI 3 适合英语、原生语音语言模型、快速响应；EVI 4-mini 适合多语言（英语、日语、韩语、西班牙语、法语、葡萄牙语、意大利语、德语、俄语、印地语、阿拉伯语），需补充 LLM，不支持快响应。工具调用须借助支持函数调用的补充 LLM（如 Claude、GPT、Gemini、Moonshot AI）或自定义语言模型。
使用方式：Web 端通常用 WebSocket 直连，React SDK 封装麦克风采集、播放与连接管理；TypeScript 与 Python SDK 提供更底层路径。Python SDK 主要用于 CLI 和桌面应用；托管 Web 应用应在浏览器采集音频。Web 集成需在开始录音前打开 EVI WebSocket，并启用回声消除、噪声抑制和自动增益；静音时发送静音帧而非空。输出为含 base64 编码 WAV 的 audio_output 流，需排队播放。原始 PCM 需指定 linear16、采样率和声道；mu-law 暂不直接支持，需转换。
轮次与打断：end_of_turn_silence_ms 默认 800 毫秒（500-3000），speech_detection_threshold 默认 0.5（0.0-1.0），prefix_padding_ms 默认 300 毫秒（0-1000），min_interruption_ms 默认 800 毫秒（50-2000）。用户打断时 EVI 停止生成并发送 user_interruption，客户端也须停止本地播放并清空队列。可用 pause_assistant_message / resume_assistant_message 保持收听。verbose_transcription=true 可让浏览器播放更快停止。
限制：EVI 不能诊断用户内心情绪，表达标签应视为复杂表达行为的测量。实时 Chat 端点不接受整段音频文件。未配置补充或自定义 LLM 时工具调用不可用。聊天历史与音频重建仅在启用数据保留时可用，禁用后不支持断点续聊、历史检索和音频重建。HIPAA 相关功能不等于 EVI 智能体即符合 HIPAA，覆盖实体或业务伙伴提供 PHI 前须有书面协议/BAA。自定义声音克隆需拥有声音样本的权利与同意。定价、具体费用与计费方式暂未提供。