待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/7/21
首次发现
来源
相关事实
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100-300ms81% 相似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80% 相似待验证工业界通常将语音智能体端到端目标设定在首字节音频输出500ms以内79% 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77% 相似待验证当前语音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76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/580937API
curl https://kongchang.com/api/v1/knowledge/claims/580937MCP
get_claim(id=580937)