Levinson and Torreira

语音代理需要实时系统，而非聊天机器人架构

语音代理需要与典型聊天机器人架构显著不同的实时处理能力。将基于聊天的假设应用于语音交互可能导致代价高昂的失败，例如代理之间或与语音邮件系统进行交互。关键区别在于延迟容忍度；聊天允许数秒的停顿，而语音对话在轮次之间有一个严格的感知预算，约为 200-300 毫秒，超过此范围听众会感知到中断。这需要不同的系统设计，能够在严格的实时限制内处理流式语音转文本、复杂的 LLM 调用和文本转语音生成，这是异步聊天中不存在的挑战。