Agen Suara Amazon Nova Sonic: Bikin Voice Concierge Bedrock

Apa Itu Agen Suara Amazon Nova Sonic dan Bedrock AgentCore?

Inti dari solusi ini ada di tiga pilar managed service AWS. Pertama, Amazon Bedrock AgentCore, platform agentic yang dipakai buat bikin, pasang, dan mengoperasikan AI agent secara aman dalam skala besar. Kedua, model Amazon Nova 2.5 Sonic di Bedrock yang punya kemampuan speech-to-speech asli buat percakapan suara real-time berlatensi rendah. Ketiga, Amazon Bedrock Knowledge Bases, layanan Retrieval Augmented Generation (RAG) terkelola yang memastikan jawaban agen suara tetap akurat berdasarkan dokumen resmi perusahaan.

Dengan kombinasi ini, penumpang tinggal ngomong ke mikrofon perangkat mereka. Begitu suara masuk, asisten bakal langsung ngebuka rencana perjalanan, nukar posisi kursi, memperbarui preferensi menu makanan, ngejelasin aturan refund, sampai menyambungkan panggilan ke staf operasional kalau masalahnya butuh penanganan manusia.

Yang bikin pendekatan ini menarik, voice concierge ini jalan berdampingan dengan antarmuka aplikasi yang udah ada, bukan buat ngegantiin layar visual seutuhnya. Penumpang bebas ngomong atau mencet layar dalam satu sesi yang sama tanpa kendala perpindahan konteks.

Arsitektur Sistem: Memisahkan Suara, Tool, dan Backend Lewat MCP

Biar gampang dikembangkan dan nggak saling mengunci, arsitektur solusi ini dibagi ke dalam empat lapisan independen: frontend, AgentCore Gateway, AgentCore runtime, dan backend layanan. Kunci penghubungnya adalah Model Context Protocol (MCP), protokol terbuka yang bertugas mengalirkan pesan standar antara AI agent dan tool eksternal.

Kalau kita bedah berdasarkan diagram di atas, arsitektur ini dibangun dari beberapa tumpukan AWS Cloud Development Kit (AWS CDK):

1. Bagian A (Backend): Lima CDK stack yang menyiapkan Amazon DynamoDB, AWS Lambda, Amazon API Gateway, Amazon Bedrock Knowledge Bases, dan Amazon Cognito.
2. Bagian B (AgentCore Gateway): Satu CDK stack yang bikin gateway MCP bernama Amazon Bedrock AgentCore Gateway buat mengekspos endpoint API sebagai kumpulan tool yang bisa dipanggil AI.
3. Bagian C (AgentCore Runtime): Dua CDK stack yang menyiapkan runtime berbasis container ARM64 di Amazon ECR, storage Amazon S3, pipeline AWS CodeBuild, dan Amazon Bedrock AgentCore runtime dengan dukungan WebSocket.
4. Bagian D (Frontend): Satu CDK stack yang memasang aplikasi web React di AWS Amplify.

Dengan pemisahan ini, kamu bisa ngutak-atik kode Lambda di backend tanpa bikin AI agent kamu ikutan rusak atau perlu dideploy ulang dari nol. Buat kamu yang udah pernah baca artikel kita soal Ambient Agents di Bedrock, pola pemisahan runtime dan event ini emang jadi fondasi utama arsitektur cloud masa kini.

Alur Autentikasi dan Streaming Suara Real-Time

Banyak developer mikir bikin agen suara butuh server perantara yang rumit buat menerjemahkan audio. Solusi AWS ini justru memangkas jalur itu lewat integrasi Amazon Cognito User Pools dan Identity Pools.

Berikut tahapan yang terjadi pas pengguna mulai ngobrol:

1. Pengguna login ke aplikasi web React di AWS Amplify memakai username dan password.
2. Amazon Cognito memvalidasi kredensial dan ngasih token JWT (access token dan ID token).
3. Frontend menukar ID token ke Cognito Identity Pool buat dapetin kredensial sementara AWS (access key, secret key, dan session token).
4. Browser membuka koneksi WebSocket bertanda tangan Signature Version 4 (SigV4) langsung ke Bedrock AgentCore runtime tanpa proxy perantara.
5. Audio pengguna dialirkan dua arah dalam format 16 kHz PCM secara langsung.
6. Runtime memverifikasi token ke Cognito dan menyalakan model Amazon Nova 2.5 Sonic di Bedrock.

Karena koneksi audio langsung mengalir antara browser dan runtime agen, latensi percakapan bisa ditekan serendah mungkin tanpa mengorbankan standar keamanan cloud.

Mengapa Nova 2.5 Sonic Cocok Buat Voice Agent Interaktif?

Kelemahan asisten suara model lama biasanya ada pada proses bertahap: suara diubah dulu jadi teks (STT), teks diproses LLM, lalu teks jawaban diubah balik jadi suara (TTS). Cara lama ini bikin jeda respons terasa kaku dan aneh. Amazon Nova 2.5 Sonic memangkas rantai itu karena bekerja sebagai model speech-to-speech murni.

Selain itu, model ini dibekali kemampuan penalaran instruksi yang rapi. Misalnya, pas menyebut kode booking tiket atau nomor penerbangan, Nova 2.5 Sonic bakal mengeja huruf dan angka satu demi satu biar penumpang nggak salah dengar. Kalau sistem lagi nunggu data kursi dari database, model ini bisa ngeluarin suara penenang sementara (latency masking) biar percakapan tetap terasa alami layaknya ngobrol sama staf sungguhan.

Integrasi Amazon Bedrock Knowledge Bases Buat Tanya Jawab Regulasi

Penumpang pesawat nggak cuma minta ganti kursi, mereka sering nanya aturan yang bikin pusing: berapa batas berat koper kabin, apa syarat bawa hewan peliharaan, atau gimana aturan pengembalian uang tiket. Solusi ini menjawab pertanyaan semacam itu lewat RAG terkelola di Amazon Bedrock Knowledge Bases.

Kamu cukup mengunggah file PDF aturan maskapai ke bucket Amazon S3 dan membuat knowledge base. Setelah itu, Bedrock bakal ngerjain tugas berat secara otomatis: pemotongan dokumen (chunking), pembuatan vektor (embedding), pengindeksan, sampai penyimpanan di Amazon S3 Vectors. Fitur Smart Parsing bawaannya juga bikin tabel aturan tarif di dalam PDF tetap terbaca rapi pas dicari.

Kerennya lagi, lewat fitur gateway target di AgentCore, Knowledge Base ini langsung didaftarkan sebagai tool MCP bernama. Agen AI bisa menemukan tool pencari dokumen ini secara mandiri tanpa kamu harus nulis kode Lambda khusus buat query RAG. Setiap jawaban yang keluar juga dilengkapi sitasi referensi dokumen resmi.

Cara Kerja Eskalasi Otomatis ke Agen Manusia

Nggak semua masalah penumpang bisa diberesin sama AI. Ada kalanya pengguna minta bicara langsung sama petugas, atau permintaannya terlalu rumit buat diproses otomatis.

Di solusi ini, flow eskalasi dirancang sangat mulus:

1. Penumpang ngomong minta disambungkan ke staf manusia.
2. Agen meminta konfirmasi ulang lisan dari pengguna.
3. Begitu dikonfirmasi, agen memanggil tool bernama EscalateToAgent.
4. Fungsi AWS Lambda mencatat permintaan itu di DynamoDB dan menerbitkan nomor referensi tiket beserta estimasi waktu tunggu.
5. Agen suara mendiktekan nomor tiket dan estimasi waktu tersebut ke penumpang.
6. Aplikasi frontend di Amplify langsung memicu panggilan telepon perangkat ke nomor hotline customer service yang udah ditentukan.

Dengan cara ini, staf maskapai yang nerima telepon udah langsung megang nomor referensi riwayat obrolan tanpa penumpang harus ngulang ceritanya dari awal.

Demo Interaksi dan Langkah Praktis Menjalankannya

Penasaran gimana mulusnya suara dan respons dari asisten ini? Kamu bisa lihat sesi percakapan lengkap mulai dari sapaan awal sampai eskalasi staf pada video berikut:

Kalau kamu tertarik nyobain arsitektur ini di akun AWS pribadimu, ikuti langkah praktis berikut:

1. Siapkan Prasyarat Lingkungan

Pastikan kamu udah memasang AWS CLI 2.x yang terkonfigurasi, Node.js versi 20.x ke atas, Python 3.12+, dan AWS CDK CLI 2.x. Akun kamu juga wajib udah di-bootstrap dengan perintah npx cdk bootstrap.

Pastikan juga kamu udah minta izin akses model Amazon Nova 2.5 Sonic di region AWS tempat kamu deploy lewat menu Supported models AWS Region.

2. Klon Repositori dan Deploy CDK

Unduh kode sumber resmi dari repositori GitHub aws-samples:

git clone https://github.com/aws-samples/sample-travel-concierge-with-amazon-bedrock-agentcore-and-nova-sonic.git
cd sample-travel-concierge-with-amazon-bedrock-agentcore-and-nova-sonic

Jalankan skrip deployment CDK yang tersedia di repositori. Skrip ini bakal mengunggah source code agen ke S3, memicu AWS CodeBuild buat meracik container Docker ARM64 ke ECR, lalu menyiapkan semua tabel DynamoDB dan endpoint API Gateway.

3. Masukkan Dokumen Kebijakan Sendiri

Kalau mau agen suara ini paham aturan perusahaanmu, tinggal taruh file PDF atau teks ke folder dokumen kebijakan, lalu sinkronkan tumpukan Knowledge Base. Nggak perlu bikin ulang pipeline data.

4. Bersihkan Resource Setelah Selesai

Biar saldo tagihan AWS kamu nggak bengkak setelah selesai bereksperimen, kamu bisa menghapus seluruh resource yang terpasang pakai skrip pembersih otomatis:

./cleanup-all.sh --dry-run
./cleanup-all.sh

Skrip ini bakal menghapus resource secara berurutan mulai dari frontend Amplify, runtime AgentCore, gateway MCP, sampai tabel backend.

Contoh Prompt Konfigurasi Sistem Concierge

Biar agen suara kamu bicaranya luwes dan selalu mengonfirmasi aksi penting, kamu bisa sontek pola system prompt bawaan arsitektur Strands BidiAgents ini:

Kamu adalah asisten suara resmi maskapai penerbangan yang ramah, ringkas, dan sigap membantu penumpang. Panduan gaya bicara:1. Jawab setiap pertanyaan dalam 1-2 kalimat pendek karena kamu berbicara langsung lewat suara.2. Jika menyebutkan nomor penerbangan atau kode booking (PNR), eja karakter satu per satu dengan jeda jelas.3. Jangan pernah melakukan perubahan kursi, pembaruan makanan, atau pembatalan tiket tanpa meminta konfirmasi lisan eksplisit dari penumpang terlebih dahulu.4. Untuk pertanyaan seputar jatah bagasi, hewan peliharaan, dan refund, gunakan data yang diperoleh dari Knowledge Base dan sebutkan aturannya secara lugas.5. Jika penumpang meminta bantuan manusia atau kamu tidak dapat menyelesaikan kendala setelah dua kali mencoba, panggil tool eskalasi dan berikan nomor tiket referensi.

Dampak Buat Developer dan Industri Layanan di Indonesia

Bagi developer dan pelaku industri di Indonesia, arsitektur voice agent AWS ini ngasih standar baru tentang gimana AI interaktif harusnya dibangun. Sektor transportasi lokal seperti maskapai domestik, kereta api, travel antar-kota, sampai perhotelan sering banget kewalahan pas musim mudik Lebaran atau libur akhir tahun akibat antrean call center yang membeludak.

Dengan memadukan suara berlatensi rendah dan standar MCP, integrasi antara bot suara dan database internal nggak lagi terasa seperti mimpi buruk. Kalau kamu butuh alternatif model penalaran teks lain buat merancang logika agen backend kamu sebelum dilempar ke layer suara, kamu juga bisa menjajal berbagai model frontier lewat Classai Router. Di sana tersedia model seperti DeepSeek V4.1 Flash (Rp160 / Rp800 per 1 juta token) atau GLM 5.3 (Rp2.500 / Rp3.500 per 1 juta token) yang fleksibel diintegrasikan ke sistem backend lewat satu API key.

Selain itu, urusan perlindungan data pribadi penumpang juga tetap terjaga. Karena sesi audio diisolasi dalam microVM terpisah di AgentCore runtime dan dilindungi enkripsi AWS KMS, kepatuhan terhadap regulasi privasi data bisa dipenuhi dengan standar keamanan perbankan dan enterprise.