智能硬件语音交互架构解析：麦克风、RTC、ASR、LLM、TTS 全链路
智能硬件语音交互的体验瓶颈往往不在 LLM，而在麦克风采集、回声消除、RTC 实时传输、流式 ASR、TTS 播放与打断控制等基础环节。文章拆解了从采集、前处理、实时传输到 ASR、LLM、TTS、播放与打断的完整链路，指出 RTC 是弱网下保持语音连续的关键通道，并建议量产前按真实场景验证麦克风、弱网重连、儿童语音与云端成本。
全部音视频动态
声网博客评分2222 声网博客精选评分6060 声网拆解微软 MAI Realtime：全双工语音、17 种语言与低延迟打断
声网对曝光的微软 MAI Realtime 语音模型进行拆解，聚焦其全双工语音交互、17 种语言支持与低延迟打断等关键特性，属实时语音模型竞品观察。
推荐理由：对头部厂商实时语音模型的技术观察，有助于判断全双工语音模型竞争格局。
海外技术动态精选评分7575 FFmpeg 9.0 深度解读：swscale 重写落地、全库 ABI 升版与原生动图 WebP 解码
VideoLAN 主席 Jean-Baptiste Kempf 逐子系统解读 FFmpeg 9.0：距 8.1 四个半月、160 余位作者的 2200+ 提交，七大库同时升版；Niklas Haas 主导的 swscale 重写引入操作列表分解与 Vulkan SPIR-V 后端，同一转换图可在 CPU/GPU 运行，并支持 SWS_BITEXACT 精确复现；另覆盖动画 WebP 原生解码、NVENC AV1 分层 B 帧与 x86/NEON/RISC-V 汇编优化。
推荐理由：FFmpeg 9.0 是年内最重要的开源多媒体大版本，此文是目前最系统的第三方深度解读。
腾讯云音视频专区评分5050 腾讯云社区：私域直播低延迟优化指南，从协议选型到播放器缓冲的分层实践
文章按场景区分延迟容忍度（课程类几秒可接受、答题/竞拍需更低），给出 RTMP 推流、HLS/HTTP-FLV 播放与 WebRTC 互动的选型组合，并强调 GOP 长度控制、减少转码层级、播放器缓冲区在"延迟与卡顿"间取平衡，以及首屏时间、卡顿率、丢帧率等监控指标。
Mux Blog精选评分6666 Mux 自建 CDN 路由：每分钟探测，选路 p99 做到 9.9ms
Mux 停用第三方 RUM 选路，改为自建 CDN Router：每秒级探测节奏是对每家 CDN 与 4 个源站每 60 秒探测一轮，结果写入跨区域 CockroachDB（原始探测、决策与 CDN 实时用量），leader 每分钟基于最近 5 分钟数据判定各区域“足够好”的 CDN，请求路径只做 IP 定位 + 查表 + 加权随机排序，官方称选路 p99 为 9.9ms；同时把冗余流（redundant streams）从 opt-in 改为 opt-out，播放器可在流中途切换 CDN。
推荐理由：多 CDN 选路的完整工程复盘，含探测频率、决策窗口、p99 与冗余流默认开启策略。
海外技术动态精选评分5656 BlogGeek 观点：换协议救不了通话质量，可观测性才可以
Tsahi 以客户案例论证 WebRTC 与 SIP 的媒体质量上限相当（都走 RTP/SRTP），质量问题常被误判为协议问题；他主张在改架构前先用 getStats() 做客户端侧全量采集，因为服务端指标“只能看到一半故事”，有观测后定位问题可从数天缩短到数分钟，并明确反对在数据不足时切换 SFU、盲目上 AV1 或追逐 MoQ。
推荐理由：对“换栈解决问题”倾向的纠偏，强调客户端可观测性优先于架构决策。
海外技术动态精选评分6868 NVIDIA Video Codec SDK 13.1：NVENC 支持 AV1 最多 31 个 B 帧与零拷贝转码
NVIDIA 发布 Video Codec SDK 13.1，为 AV1 编码新增分层参考模式（Hierarchical Reference Mode），将 NVENC 最大 B 帧数从 7 提升至 31（支持 1/3/7/15/31 配置），官方数据显示 15 B 帧在 CQ 与 VBR 模式下均带来码率节省且几乎无性能损耗；NVDEC 暴露 H.264/HEVC 逐宏块的 QP、编码单元类型与运动向量统计，支持 GOP 感知的帧级精准 Seek，并通过应用侧分配 CUarray 实现 NVDEC 与 NVENC 间零拷贝转码，另提供官方 Docker 开发环境。
推荐理由：GPU 硬件编解码的主流方案年度更新，AV1 分层 B 帧与零拷贝转码直接影响云端转码密度与画质。
Netflix Technology Blog评分2222 Netflix 如何为分析建模设备能力
Netflix 构建了设备能力数据模型并接入内部系统的功能开关，用于在全球设备生态中做更细粒度的功能管理。其累积表记录每台设备的最新能力状态（如屏幕分辨率、支持的视频 Profile、环绕声、RAM 大小），直方图表则统计过去 28 天内按设备型号和软件版本划分的活跃设备数及能力支持情况。示例数据显示，某类流媒体棒设备全部支持 HD profile（playready），仅 20% 支持 UHD profile（hevc）。
海外技术动态精选评分7272 Cloudflare 推出 MoQ relay API：隔离中转与分级凭证
在去年把 330+ 城市全部变为 MoQ relay（每日仍有 1000+ 客户端测试）之后，Cloudflare 新增隔离与访问控制：一次 API 调用即可创建独立 relay 并签发 publish/subscribe 分级 token，无需选区域、估容量、配负载均衡；同时支持 MoQ Transport draft-14 与 draft-16，draft-16 的 PUBLISH 让 relay 在首个观众到来前就开始收流，SUBSCRIBE_NAMESPACE 支持按命名空间批量订阅；beta 期免费。
推荐理由：MoQ 从开放预览走向可生产使用的关键一步，发布/订阅权限模型对直播与竞拍等场景是刚需。
论文与标准精选评分6868 M3-DuplexBench：英日双语全双工对话评测基准
该基准联合评估全双工口语对话系统的交互时机（轮次切换、附和、打断）与响应内容，覆盖英语与日语的闲聊及多轮问答场景，并基于同源语料实现跨语言对比；实验揭示不同全双工模型具有模型特有的交互模式，语言与领域间存在明显性能差异。
推荐理由：全双工语音模型评测方向的代表性新基准，补足多轮、多语言受控对比的空白。
声网博客评分2222 旅游高峰期的 AI 语音助手：如何接住暴涨的咨询量
声网对话式 AI 引擎为旅游平台 AI 语音助手提供实时交互底座，端到端响应延迟可低至 650 ms，打断响应 340 ms，选择性注意力锁定可屏蔽 95% 的环境人声和噪声干扰。该引擎在 80% 丢包率下仍可维持语音对话，断网 3 至 5 秒时也能继续处理连接恢复后的交互，酒店政策、订单状态等业务数据仍由平台自有系统提供。
Tavus Blog精选评分6666 Tavus 发布 PAL Maker：让开发者自建实时视频 AI 数字人应用
Tavus 推出 PAL Maker，用户可创建具备看、听、记忆能力的 PAL（人格化应用层）并投入实际使用，由 CEO Hassaan Raza 宣布。
推荐理由：Tavus 产品线的关键发布，标志其从 CVI API 向终端应用层扩展。
Cartesia Blog评分3838 TTS 模型好不好？为什么语音合成评测随模型进步而失效，以及如何衡量真正重要的指标
Cartesia 发文分析 TTS 评测为何随模型进步而失效：语音合成是一对多映射，同一文本可有兴奋、愤怒、悲伤、讽刺等多种正确读法，WER 在可懂度解决后趋于饱和，且受 ASR 质量牵制。评测还需覆盖上下文正确性、文本规范化与专有名词读音，这些错误即使语音流畅也难以察觉。
海外技术动态精选评分6868 AV2 定稿意味着什么：AOMedia 编码工作组联席主席谈实现路线与 AV1/AV2 共存
AOMedia 视频 编码工作组联席主席 Andrey Norkin（NVIDIA）与 Adrian Grange（Google）访谈：AV2 核心编码工具已锁定、后续仅增 Profile 与元数据；VMAF/PSNR 口径下同画质较 AV1 压缩效率提升约 30%，主观画质增益接近 40%；硬件支持将按"先软件后硬件"节奏推进，AV1 与 AV2 将长期共存。
推荐理由：标准定稿后官方对实现节奏与迁移策略的权威解读，可直接指导编解码选型决策。
声网博客精选评分5555 声网发布 Go + Gin 搭建语音智能体服务端教程
声网开发者社区发布用 Go 与 Gin 搭建对话式语音智能体服务端的快速上手教程，覆盖服务端与声网 ConvoAI 能力的对接流程。
推荐理由：Go 生态语音 Agent 服务端教程在中文社区偏少，实用性强。
海外技术动态精选评分6262 写给 CFO 的编解码经济学：AV1 已成诉讼目标，双编码梯子成本必须算清
Jan Ozer 从财务视角拆解编解码器选型：高级编码器通常在设备兼容率约 30% 时启用，意味着约 70% 流量仍走 H.264 的双梯子成本（双重编码、存储、CDN 缓存效率稀释）；不同观看分布下同一 BD-rate 的实际收益差异巨大，且 AV1 的免版税光环已失效——文末警告 AV1 正成为专利诉讼目标，版税结构正在向流媒体内容侧蔓延。文章附七步决策框架与按场景的编解码推荐表。
推荐理由：把编解码决策从技术参数拉回资本与版税账本，直接回应了 2026 年 AV1 专利诉讼升温的行业现实。
声网博客精选评分6262 声网拆解 Voice Agent 延迟：STT、LLM、TTS 与 VAD 的可观测指标
声网把 Voice Agent 的端到端延迟拆成 RTC 延迟、算法前处理延迟、ASR 延迟、LLM 延迟和 TTS 延迟，启用数字人时再加渲染延迟，并给出各段典型范围，如 RTC 150-300 ms、ASR 末字延迟 400-700 ms、LLM 首字节 250-1000 ms、TTS 首字节 100-350 ms。文章建议按轮次记录 session_id、turn_id、asr_final_ts、llm_first_token_ts、tts_first_audio_ts、interrupt_detect_ts 等字段，并分别观测 ASR 的 TTLW 与 WER、LLM 的 TTFB 与 TTFS、TTS 首帧音频、VAD 的起止检测延迟和打断成功率。选型阶段可用声网 AI 模型评测平台对比 ASR、LLM、TTS 组合的 P50、P90、P99 延迟与成本，上线后再用会话级 trace 定位瓶颈。
推荐理由：把 Voice Agent 的端到端延迟拆成 RTC、ASR、LLM、TTS、VAD 各段，并给出可采集的会话字段与仪表盘结构，适合直接对照搭建观测体系。
AWS Media Blog精选评分6262 AWS 对比 NDI SpeedHQ 与 JPEG XS 的编解码画质基准
AWS 对 NDI SpeedHQ 和 JPEG XS 两种中间编解码器做了独立画质基准测试，测量 PSNR、码率和多代编解码损失。测试用 Netflix Sparks 素材的 600–1200 帧、4:2:2 色度采样、60 fps，在 Amazon EC2 C6id.12xlarge 上运行，NDI 用 Advanced SDK 6.3.1，JPEG XS 用 IntroPix CPU Codec 2.40.1。结果显示 JPEG XS 在低压缩比下绝对画质更高但码率更大，NDI SpeedHQ 在低码率下略优且存在质量上限；两者在连续八代编解码中 PSNR 损失均低于 0.5 dB。
推荐理由：AWS 用统一流程对比 NDI SpeedHQ 与 JPEG XS 的画质、码率和代际损失，可据此判断长信号链下选哪种中间编解码器。
LiveKit Blog精选评分6666 LiveKit 官方指南：诊断 LiveKit Agents 中的事件循环阻塞
LiveKit 发布指南，说明 LiveKit Agents 每个任务运行在独立子进程中，由 supervisor 通过事件循环上的 ping/pong 健康检查监控，循环阻塞会导致响应延迟、进程被杀并在约 15 秒内被新实例替换。内置事件循环监控在 Python livekit-agents 1.8.1+ 和 Node.js @livekit/agents 1.9.1+ 默认开启，对 100ms 及以上的停顿告警并给出阻塞代码行，排查可用 py-spy、asyncio debug 模式和 Node.js 事件循环延迟测量。
推荐理由：LiveKit 官方梳理了阻塞事件循环的日志特征与排查手段，可对照自家 Agent 的告警和 trace 定位问题。
海外技术动态精选评分5555 Cloudflare Radar 解析 2026 世界杯流量：开球时间与观赛习惯重塑全球 HTTP 流量
Cloudflare 基于全球 HTTP 遥测分析 2026 世界杯对互联网流量的影响，覆盖开球时间、流媒体观看习惯与中场休息带来的流量波动，包括深夜流量峰值与半场浏览高峰。
推荐理由：大型体育赛事对全球流媒体流量的量化观测，直播容量规划可参考。
LiveKit Blog精选评分6262 LiveKit Unity SDK 2.0.0 正式发布，结束开发者预览
LiveKit 正式发布 Unity SDK v2.0.0，将其从开发者预览转为正式版本，并称该 SDK 已与现有 LiveKit SDK 达到功能对齐。开发者可在 Unity 游戏中接入实时语音、视频和 AI，用于语音聊天、音视频直播、VR 远程操控机器人以及语音 AI 驱动的 NPC。2.0.0 带来移动端和桌面端的原生平台音频、基于 DataTracks 的高频数据消息和可配置 token 源的简化鉴权；官方支持 Unity 2022.3 及以上版本，覆盖 macOS、Windows、Linux、iOS 和 Android。
推荐理由：LiveKit Unity SDK 结束开发者预览并达到与其他 SDK 的功能对齐，可据此判断现有 Unity 项目是否迁移。
海外技术动态精选评分6262 字节 Seed 发布 Seed Audio 1.0：从语音合成走向影视级音频生成
字节 Seed 团队发布 Seed Audio 1.0 音频生成模型，官方定位为业内首个可通过单条 Prompt 直接生成影视级音频的模型，支持文本、音频等多模态输入，覆盖音效等全要素音频创作。
推荐理由：豆包语音产品线从 TTS 走向全要素音频生成的标志性版本。
Tavus Blog精选评分6161 Tavus 上线 Presentation Mode：PAL 接管幻灯片实时讲解与答疑
Tavus 推出 Presentation Mode，把演示文稿交给 PAL 实时讲解：既可从头讲到尾，也能在提问时调出对应页面，让团队常讲的内容随时可被启动。
推荐理由：PAL 应用形态的重要功能扩展，视频智能体开始承担知识交付。
海外技术动态精选评分7272 SEC 文件披露：Netflix 以 5.87 亿美元现金收购 Ben Affleck 参与创立的 AI 后期制作公司 InterPositive
Netflix 在截至 2026 年 6 月 30 日的 10-Q 文件中披露，3 月宣布收购的 InterPositive 现金对价为 5.87 亿美元（此前 Bloomberg 称交易最高可达 6 亿美元）；该公司专注后期制作的 AI 工具（补拍镜头、背景替换、灯光修正），不生成全新内容，16 人团队整体加入，Affleck 出任高级顾问；Netflix 另披露约 300 部作品已使用生成式 AI。
推荐理由：流媒体巨头将 AI 制作能力收归自研的最大单笔交易之一，金额与战略意图均已实锤。
声网博客精选评分5555 声网开源项目：用 AI 让 C 罗解说梅西比赛，冲上 OpenAI 社区榜二
声网开发者社区分享一个开源 AI 赛事解说员项目，实现让 C 罗解说梅西比赛的效果并登上 OpenAI 社区榜单第二，文章给出实时语音 Agent 的工程实现思路。
推荐理由：世界杯期间的实时语音 Agent 实战案例，兼具趣味性与工程参考。
LiveKit Blog评分3838 如何构建不会跑偏的语音 Agent：LiveKit 酒店前台示例的分层防护实践
LiveKit 以酒店前台参考 Agent 为例，讲解如何让语音 Agent 不脱离脚本：先用结构化提示词设定身份与护栏，再用确定性代码强制校验规则，如用 Python 做卡号长度与 Luhn 检查、用 max_tool_steps 限制工具调用链。文章强调提示词防护对蓄意攻击很弱，真正的规则必须在代码层执行。
声网博客精选评分7474 声网首测 GPT-Live：响应延迟中位数 1099ms、波动缩 5 倍
Agora 实验室用 iPhone 13 加人工发声设备、可控网络模拟丢包、双轨录音逐帧取时、每项 n=30 的方法测试三代 ChatGPT 语音模式：GPT-Live-1 正常网络中位响应 1099ms（P90 1203ms、SD 104ms），Advanced Voice Mode 为 1304ms（P90 2318ms、SD 489ms），Standard 级联模式 5197ms；10% 上行丢包下 GPT-Live 仅增 314ms，同级丢包的 P90 仍优于零丢包的上一代；插话停止延迟中位数 1399ms 比上一代慢 498ms，但背景人声误触发从 22 次降到 1 次。
推荐理由：方法论透明、样本量与局限都交代清楚的端到端延迟实测，弱网下的对比尤其有信息量。
海外技术动态精选评分5858 Phoronix 99 项基准对比三系统：SVT-AV1/OpenAPV 编码 Linux 领先 Windows 11
Phoronix 在 Core Ultra 9 290HX + RTX 5090 的 Razer Blade 18 上对比 Ubuntu 26.04 LTS、Windows 11 与 CachyOS 共 99 项测试：视频编码方面 Linux 明显占优，Ubuntu/CachyOS 在 OpenAPV 编码的全部设置下压制 Windows 11，AV1（SVT-AV1）编码同样领先，而 Kvazaar H.265 的 1080p 档位下 Windows 11 反而最快；综合几何平均 Windows 11 与 CachyOS 基本持平，但本地 AI/LLM 负载 Windows 11 有约 3 倍的性能优势场景。
推荐理由：覆盖 SVT-AV1、OpenAPV、Kvazaar 三类编码器的受控系统级实测，为编码农场操作系统选型提供量化依据。
Tavus Blog精选评分6262 Tavus 上线 Magic Canvas：PAL 对话中共享交互画布，图表与日历实时生成
Tavus 推出 Magic Canvas，为每次 PAL 对话提供共享交互画布：可即时调出按讨论数字动态绘制的图表、可选项的日历等组件，用户操作 PAL 实时可见并即时回应。
推荐理由：对话内交互组件是视频智能体从纯对话走向任务完成的关键功能。
SVT-AV1 Releases评分7070 SVT-AV1 4.2 发布：新增 TUNE-VMAF 模式与面向 RTC 的 CBR 率控
AOMedia 官方 AV1 编码器 SVT-AV1 4.2.0 在 VOD/随机访问模式新增 TUNE-VMAF 目标模式，宣称可带来约 15% 的 VMAF BD-rate 收益而 PSNR 损失极小，并支持单线程处理模式；在 RTC/低延迟模式加入基于 Kalman 滤波 QP 估计的 CBR 率控、循环刷新、帧级重编码以及运行时动态调整预设/码率/帧率的能力，同时补充 LTR 参考帧管理 API 与大量 Arm NEON/SVE2 优化。
中文技术动态精选评分6464 火山引擎 × 央视网世界杯直播：首帧起播 400ms 内、端到端延迟最低约 1 秒
火山引擎介绍与央视网的 2026 世界杯转播合作：长视频首帧起播时长压至 400ms 以内，上届世界杯千万级并发下端到端延迟曾压至约 1 秒，本届进一步压缩，并依托"秒级监控、1 分钟级响应、3 分钟止损"SOP 与 AI 智能调度保障传输。
推荐理由：国内大型赛事直播的最新技术指标披露，反映火山引擎视频云能力边界。
声网博客精选评分6464 OpenAI 未公布 GPT-Live 时延，Agora 自行实测给出数据
针对 OpenAI 未公布 GPT-Live 的端到端时延，Agora 自行搭建测试并公布实测数据，为语音 Agent 开发者选型实时语音模型提供延迟参考。
推荐理由：第三方对 GPT-Live 时延的受控实测，是实时语音模型选型的稀缺数据点。
Cartesia Blog精选评分6262 Cartesia 发布面向实时语音代理的语音识别模型 Ink-2
Cartesia 发布语音转文本模型 Ink-2，面向实时语音代理，称其在 Artificial Analysis 流式榜单上以最低词错误率排名第一，并内置语义端点检测。官方数据显示其 Time-to-Final-Transcript 为 0.1s，在 14 种英语口音的 AppTek 基准上 WER 为 8%，内部生产环境基准 WER 为 6.5%，轮次检测 F1 为 93%。Ink-2 已在 play.cartesia.ai 上线，可通过 API 使用，并接入 LiveKit、Vapi 和 Pipecat，多语言支持尚在开发中。
推荐理由：官方给出 Ink-2 在准确率、轮次检测和延迟三项指标上的对比数据，可据此判断语音代理的选型取舍。
声网博客评分3434 2026年7月值得一试的5个免费语音AI开发工具
声网博客整理了5个可直接上手的免费语音AI工具，覆盖TTS、ASR与端到端语音对话链路。Bosonai Higgs TTS 3以4B参数提供零样本声音克隆和100+语言支持，API免费限速且兼容OpenAI格式；HuggingFace开源语音栈由Parakeet、Gemma 4 31B和Qwen3TTS组成，已在超9000台Reachy Mini机器人上部署。其余为浏览器转录工具SoundWise、支持单词级编辑的开源TTS ViiTorVoice，以及研究导向的扩散式ASR模型。
Tavus Blog精选评分7272 Tavus PAL 可作为真实参会者加入 Google Meet，Zoom 与 Teams 支持在途
Tavus 宣布 PAL 可像邀请同事一样加入 Google Meet：开摄像头、跟随对话并实时应答，可做会议记录、随行销售通话或主持站会；官方称 Zoom 与 Microsoft Teams 支持为下一步。
推荐理由：AI 视频智能体深度嵌入主流视频会议平台，是行业级产品动作。
LiveKit Blog精选评分6666 LiveKit Agents 异步工具：用 ctx.update() 消除慢后端调用期间的通话静默
livekit-agents 1.6.0（2026-06-11）起支持异步函数工具：工具是同步的直到它调用 await ctx.update(message)，首次调用会立即把控制权交还给 LLM 并以该消息作为工具返回值，语音 Agent 因此可以先播报进度、后台继续执行，后续更新只在 Agent 与用户都空闲时播报。文章以退款场景演示（验证订单 6 秒 + 出款 8 秒，共约 14 秒静默导致用户挂断），并给出可取消工具（cancelable 标志会向 LLM 暴露取消工具）、重复调用的四种处置模式以及 ctx.with_filler() 在更新间隙插入填充语音的写法。
推荐理由：针对语音 Agent 工具调用冷场这一高频体验问题，给出可直接复制的框架级实现。
webrtcHacks评分6262 在 Chromium 中启用 libopus AVX2 使 Opus 编码提速约 20%
作者在桌面 Chromium 的 libopus 构建中启用 AVX2 向量化，替换失效的 OPUS_X86_MAY_HAVE_AVX 并新增 opus_avx2 source_set，编译三个 _avx2.c 内核，使 Opus 编码时间减少 23%。实测显示语音编码下降 17% 至 23%，在复杂度 8、9、10 下稳定；音乐仅降约 2%，解码基本不变。约 96% 的 SILK 收益来自 silk_NSQ_del_dec，该改动已进入 Chromium 152。
声网博客精选评分5555 Agora 发布 CLI 工具：命令行创建与管理实时应用
Agora 推出官方 CLI，开发者可在命令行完成 Agora 项目创建、配置与管理等操作，减少在控制台与代码间来回切换的成本。
推荐理由：开发者工具链的补全，对 RTE 平台工程化接入有实际意义。
中文技术动态精选评分6060 腾讯云 Tencent-RTC 云游戏实践：稳定网络端到端 50-70ms
腾讯云游戏用自研 Tencent-RTC 做抗抖动与网络自适应：发送端缓存视频帧、接收端按网络动态调缓冲深度，并用预测算法生成中间帧补偿丢包；传输上基于 UDP 并叠加 FEC 与 ARQ，按数据类型（游戏指令、视频帧、音频）设差异化优先级；量化表现为稳定网络下端到端 50-70ms，盛趣游戏案例做到 1080P/60 帧下延迟小于 40ms，全球部署 2000+ 边缘节点。
推荐理由：云游戏这一延迟最敏感场景的厂商实测数据与机制说明，40ms/1080P60 的案例有参考价值。
Cartesia Blog评分3030 如何为真实场景选择语音 AI 模型：ASR、TTS 与轮次检测评估指南
Cartesia 提出按真实用例而非实验室基准选择语音 AI 模型，指出演示中 600–800ms 的往返延迟在真实电话网络上会升至 2–4 秒、P95 达 5 秒。评估 ASR 应看完整转写时间 TTCT 而非首 token 延迟，端到端低于 200ms 对话才自然，超过 1 秒用户会重复发言；轮次检测的精确率与召回率决定打断和响应表现。