待验证50% 置信事实精确时间
IboChat 的 /speak 端点按顺序尝试三条语音路径：GPT-SoVITS（克隆音色最佳，耗时约 5–18 秒，仅支持英中日韩，加载后永久占用约 3.9GB 显存）、OmniVoice Studio（支持任意语言，耗时约 30–40 秒，通过 OpenAI 兼容端点调用）、Edge TTS（微软免费神经语音，无克隆能力，支持 24 种语言、零延迟、永不失败）。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/18
首次发现
有效期至：2027/1/16
来源
涉及实体
相关事实
待验证IboChat 的语音模型加载需要约 30–50 秒，服务器会先探测模型是否就绪，未就绪则直接降级到下一级语音方案，而非让用户等待。73% 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100-300ms70% 相似待验证Coqui TTS、VALL-E、OpenVoice 等开源框架已使仅需 3–10 秒音频就能完成基本音色迁移68% 相似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。68% 相似待验证领先水平的实时语音转录延迟约在200-400毫秒，业界主流方案包括OpenAI的Whisper、Google Speech-to-Text和AssemblyAI67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1057787API
curl https://kongchang.com/api/v1/knowledge/claims/1057787MCP
get_claim(id=1057787)