待验证85% 置信事实时间未知
当前语音AI系统的技术栈由STT、LLM、TTS等多个独立组件串联而成，每层独立计费，托管平台还会在这些成本之上再加一层利润抽成
1
来源数
85%
置信度
长期有效
时效性
2026/5/31
首次发现
来源
Dogra：开源自托管语音AI平台，告别VAPI天价账单
bilibili比特光锥_BightCone
涉及实体
相关事实
待验证语音智能体技术栈通常包含STT（如Whisper）、LLM推理、TTS（如ElevenLabs）三个串行环节79% 相似待验证语音智能体技术栈通常包含STT、LLM推理、TTS三个串行环节，STT约耗时200-400ms，LLM首token延迟约100-500ms，TTS生成约100-300ms77% 相似待验证LiveKit Agents 将语音AI应用所需的 STT、LLM、TTS、VAD 与打断处理抽象为可组合的模块77% 相似待验证语音智能体典型系统架构由VAD、STT、意图识别/LLM推理、TTS等环节串联构成，工业界通常将端到端目标设定在首字节音频输出500ms以内76% 相似已验证一次完整的语音AI交互涉及STT、LLM推理、TTS三个串行处理阶段76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/10340API
curl https://kongchang.com/api/v1/knowledge/claims/10340MCP
get_claim(id=10340)