Unverified50% confidenceFactExact time
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
Sources
50%
Confidence
Long-term
Relevance
7/21/2026
First Seen
Sources
Related Claims
Unverified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% similarUnverified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% similarUnverified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% similarVerified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% similarUnverified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% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/580937API
curl https://kongchang.com/api/v1/knowledge/claims/580937MCP
get_claim(id=580937)