待验证50% 置信事实精确时间

语音智能体（Voice Agent）的底层架构大致可以分为三种主流形态：三明治架构、原生实时的Speech-to-Speech架构、混合架构

1

来源数

50%

置信度

长期有效

时效性

2026/8/18

首次发现

来源

三明治架构：企业级语音智能体的最佳落地方案

相关事实

待验证Voicebox 主打三大核心能力：语音克隆（Clone）、语音听写（Dictate）与内容创作（Create）78% 相似已验证新一代语音交互转向端到端的多模态模型架构，直接在语音信号层面理解和生成，压缩延迟并保留副语言信息78% 相似待验证资源受限设备上的本地语音代理更可能采用槽填充配合意图分类的经典NLU架构，而非完整大语言模型76% 相似待验证对语音智能体而言，多模态大模型不仅输入需支持语音、图片、文字、视频，输出也必须支持语音75% 相似待验证语音驱动工单管理方案的核心架构包含四层：语音输入层、语义解析层、动作执行层和确认反馈层75% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/771142

API

curl https://kongchang.com/api/v1/knowledge/claims/771142

MCP

get_claim(id=771142)