Unverified50% confidenceTradeoffExact time
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
Sources
50%
Confidence
Long-term
Relevance
8/18/2026
First Seen
Sources
Related Claims
UnverifiedSTT、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% similarUnverified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% similarUnverified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% similarUnverified语音Agent端到端延迟中STT通常耗时200-500ms74% similarUnverified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% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/771148API
curl https://kongchang.com/api/v1/knowledge/claims/771148MCP
get_claim(id=771148)