ToolNavs 发现实用AI工具
提交工具 登录

AI 语音代理

延迟降到百毫秒级，语音才谈得上像对话。端到端语音到语音跳过了 ASR 到 TTS 的哪几道转换，轮次管理与工具调用又怎么让语音从会说话走到会办事，一并讲清。

旧链路先转文字再播报，延迟高、一打断就乱；端到端语音到语音把三步合成一步，Chroma 1.0 的响应压到 150 毫秒内，Step-Audio-R1.1 首帧约 1.51 秒。剩下两件事决定体验：轮次管理判断何时接话、何时继续听；工具调用让语音接着查、筛、预约。标准从声音像不像人，变成任务有没有办成。