语音Agent
基于语音交互的AI智能体，集成STT（语音转文字）、LLM推理和TTS（文字转语音）等组件，核心挑战是在降低端到端延迟（业界标准<600ms）的同时提升对话准确性，广泛应用于客服、信息收集等复杂业务场景。
核心事实
时间轴 (近 90 天)
将用户调研前置、用激励换取高密度反馈，是打破语音Agent冷启动循环的常见策略。
对语音Agent而言，冷启动的难点在于：没有足够多的真实对话，就无法发现模型在口音、打断、多意图、背景噪声等条件下的失效模式；而缺乏这些发现，产品体验又难以吸引用户留存，形成循环。
原生语音Agent架构的优势在于能处理开放域、模糊表达和话题跳转，劣势是行为更难预测、调试更依赖真实数据。
模型生成一句话的速度远快于播放完整句话的速度，因此通话者在句子中途打断时，模型的生成早已完成，但通话者只接收到了一部分。
一个响应一旦被取代，其剩余语音不应在通话者新请求之后再次出现。
用户对语音助手的容忍度很低，一次听错指令或答非所问都可能让用户彻底放弃使用
在生产环境中，通话稳定性的权重甚至高于语音的好听程度
团队增加了收尾确认环节：Agent在通话结束前复述所理解的客户诉求并询问是否解决，回答不干脆的通话直接转接人工
语音Agent的典型失效模式是能准确回答问题，却错过了提问背后的真实诉求
二次来电通常最终落到了人工坐席手上，且客户情绪比首次接触时更愤怒
还有 2 条时间轴事件
全部知识事实 (13)
语音原生应用是指从交互设计的第一性原理出发，以语音作为主要甚至唯一输入输出通道来构建应用逻辑，而非在现有GUI应用上叠加语音控制
65%待验证将用户调研前置、用激励换取高密度反馈，是打破语音Agent冷启动循环的常见策略。
50%待验证对语音Agent而言，冷启动的难点在于：没有足够多的真实对话，就无法发现模型在口音、打断、多意图、背景噪声等条件下的失效模式；而缺乏这些发现，产品体验又难以吸引用户留存，形成循环。
50%待验证原生语音Agent架构的优势在于能处理开放域、模糊表达和话题跳转，劣势是行为更难预测、调试更依赖真实数据。
50%待验证模型生成一句话的速度远快于播放完整句话的速度，因此通话者在句子中途打断时，模型的生成早已完成，但通话者只接收到了一部分。
50%待验证一个响应一旦被取代，其剩余语音不应在通话者新请求之后再次出现。
50%待验证用户对语音助手的容忍度很低，一次听错指令或答非所问都可能让用户彻底放弃使用
50%待验证在生产环境中，通话稳定性的权重甚至高于语音的好听程度
50%待验证团队增加了收尾确认环节：Agent在通话结束前复述所理解的客户诉求并询问是否解决，回答不干脆的通话直接转接人工
50%待验证语音Agent的典型失效模式是能准确回答问题，却错过了提问背后的真实诉求
50%待验证二次来电通常最终落到了人工坐席手上，且客户情绪比首次接触时更愤怒
50%待验证在此前被标记为'已解决'的通话中，大约有一半在七天内出现了关于同一主题的二次来电
50%待验证实时语音对话中的检索增强生成通常要求端到端延迟控制在500毫秒以内以维持自然对话节奏
50%