待验证50% 置信权衡取舍精确时间

三明治架构相比原生Speech-to-Speech多了两次转换环节，STT环节通常增加100-300毫秒，TTS环节增加100-200毫秒

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STT、LLM、TTS三段串行叠加，仅处理延迟就超过650毫秒，不包括服务间网络跳转耗时78% 相似待验证业界领先的STT实时转录延迟约在200-400毫秒，采用Whisper或DeepSpeech等模型76% 相似待验证传统ASR→LLM→TTS三段式串联管线的延迟累积通常在800毫秒至2秒之间75% 相似待验证语音Agent端到端延迟中STT通常耗时200-500ms74% 相似待验证云端TTS服务的首字节响应时间通常200-500毫秒，本地部署的轻量TTS模型（如Piper、Kokoro-82M）可将延迟压至50毫秒以内，但音质通常略逊72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/771148

API

curl https://kongchang.com/api/v1/knowledge/claims/771148

MCP

get_claim(id=771148)