面向智能体的实时语音AI技术栈：架构指南
用户继续交互的意愿在600毫秒后即开始下降，在700–800毫秒区间内明显降低。
原始摘录
Perceived willingness begins to drop after 600 ms and steps down significantly from 700 to 800 ms.
上下文
传输、语音识别、端点检测、语言模型（LLM）输出首个token、文本转语音（TTS）返回首个字节，以及网络回传跳转——每个环节均占用该延迟预算的一部分。本指南将逐层拆解各环节开销，并指出可优化的具体环节，以确保语音AI技术栈整体满足该预算约束。
原始上下文
Transport, recognition, endpointing, the LLM's first token, TTS first byte, and the return network hop each take a slice of that budget. This guide breaks down what each layer costs and where you can cut to keep your voice AI stack inside it.