语音智能体
结合语音交互与智能体自主执行能力的AI功能形态，用户通过语音指令触发AI自主规划并完成多步骤任务，适用于移动端等不便打字的场景
核心事实
时间轴 (近 90 天)
真实客户通话中充满口音、背景噪音、情绪波动和突然的话题切换，仅靠ASR和TTS进步不足以保持对话连贯性。
语音智能体掌握上下文后，客户无需重复报订单号或重新解释问题，智能体能主动提及历史记录并给出连贯解决方案，从而缩短通话时长、减少转人工率、沉淀更完整的客户意图数据。
语音智能体的竞争焦点正在从“听得清”转向“记得住、用得对”。
没有上下文的语音智能体本质上只是一个会说话的自动应答机，知道用户说什么但不知道用户是谁、之前发生过什么、通话目的。
语音智能体在近期一次行业演示中，于真实通话场景里流畅完成了多轮交互，反应速度和自然度接近真人。
合格语音智能体产品的端到端延迟应在0.2秒以内，让人类无法感知。
典型语音智能体的一轮对话延迟预算约为：端点检测 180ms + 流式 ASR 220ms + LLM 首 token 650ms + TTS 首块 + 网络传输。
发言者希望围绕端侧AI、高效推理、语音智能体以及机器学习编译器四个方向与开发者交流
在语音智能体部署实践中，带有法国口音的英语语音比标准、干净的播音腔更能让用户觉得真实自然
在客服、陪伴等需要信任的场景中，适度的口音和瑕疵可能比绝对清晰度更重要
还有 6 条时间轴事件
全部知识事实 (19)
低延迟与高质量推理往往难以兼得，是实时语音交互中的核心矛盾
85%已验证传统语音AI系统采用级联架构，将语音处理拆分为ASR、NLU、对话管理和TTS等独立模块，每个模块之间存在信息损失和延迟累积
80%已验证语音对话系统的端到端响应通常需控制在1-2秒内以保持对话自然感
75%已验证语音交互要求低延迟而复杂任务需要时间，两个目标天然冲突，构成语音AI的核心权衡
65%待验证本地化团队常常是多语种语音产品项目中语音数据质量的把关者，尤其在处理小语种或方言变体时
60%待验证真实客户通话中充满口音、背景噪音、情绪波动和突然的话题切换，仅靠ASR和TTS进步不足以保持对话连贯性。
50%待验证语音智能体的竞争焦点正在从“听得清”转向“记得住、用得对”。
50%待验证没有上下文的语音智能体本质上只是一个会说话的自动应答机，知道用户说什么但不知道用户是谁、之前发生过什么、通话目的。
50%待验证合格语音智能体产品的端到端延迟应在0.2秒以内，让人类无法感知。
50%待验证典型语音智能体的一轮对话延迟预算约为：端点检测 180ms + 流式 ASR 220ms + LLM 首 token 650ms + TTS 首块 + 网络传输。
50%待验证大多数成功的语音智能体案例共性在于带有一点地域特征，而非毫无特色的通用声音
50%待验证在语音智能体部署实践中，带有法国口音的英语语音比标准、干净的播音腔更能让用户觉得真实自然
50%待验证语音智能体设计的优化目标应是听起来最像真人，而非听起来最标准
50%待验证在客服、陪伴等需要信任的场景中，适度的口音和瑕疵可能比绝对清晰度更重要
50%待验证业界通常采取本地唤醒词检测、端到端加密传输以及操作沙箱隔离等手段缓解语音智能体的隐私风险
50%待验证移动端语音交互意味着麦克风需要持续或频繁唤醒，智能体执行任务时可能访问日历、邮件、文件等敏感数据
50%待验证语音智能体在近期一次行业演示中，于真实通话场景里流畅完成了多轮交互，反应速度和自然度接近真人。
50%待验证语音智能体掌握上下文后，客户无需重复报订单号或重新解释问题，智能体能主动提及历史记录并给出连贯解决方案，从而缩短通话时长、减少转人工率、沉淀更完整的客户意图数据。
50%待验证团队在早期上线英语语音时发现所有英语语音听起来都不够自然
50%