#STT LLM TTS

语音智能体三明治架构实战：STT+LLM+TTS延迟优化与避坑指南

深度解析企业级语音智能体三明治架构（STT+LLM+TTS）的设计原理与落地实践，对比三种主流架构优劣，分享0.3秒延迟优化方案及打断识别、工具调用等真实避坑经验。

Speko：语音AI统一路由平台，打造语音领域的OpenRouter

Speko是YC S26批次初创公司，定位为语音AI领域的OpenRouter，通过统一API聚合多家语音模型供应商，解决语音识别、语音合成等接口碎片化问题，帮助开发者降低集成成本、智能路由并避免供应商锁定。

NobodyWho开源推理引擎：本地运行大模型的多平台SDK方案

NobodyWho是基于llama.cpp的开源端侧推理引擎，支持Swift、Kotlin、Flutter、React Native、Python和Godot多平台接入，提供工具调用、多模态、语音及GPU加速能力，让大语言模型完全在本地设备运行，无需API密钥。

Gotcha：全球首个安卓端AI语音副驾，开源免费端侧运行

Gotcha是全球首个安卓端AI语音副驾开源项目，支持端侧运行保护隐私，内置100+原生设备工具，通过Samosa AIR引擎实现语音指令到设备操作的完整闭环，免费开源可定制扩展。

他给上古卷轴5造了个能实时对话的AI队友

一位开发者为Skyrim打造了低延迟AI游戏伙伴，通过语音识别、大模型推理和语音合成实现实时对话。本文解析其技术链路、延迟优化方案，以及AI NPC对游戏未来的深远影响。

语音Agent延迟优化：为什么平均值骗了你

深度解析语音AI Agent延迟优化的三大陷阱：平均值掩盖尾部延迟、流水线抖动叠加、区域延迟差异。提供P95/P99测量、端到端一致性优化等实战建议，帮助开发者打造真正低延迟的语音交互体验。

LiveKit Agents：构建实时语音AI智能体的开源框架详解

深入解析LiveKit Agents开源框架，了解如何利用STT、LLM、TTS模块构建实时语音AI智能体。涵盖核心架构、多模型插件生态、生产部署能力及智能客服、虚拟助理等应用场景。

Bolcho AI：专为印度多语言市场打造的语音智能体平台

Bolcho AI是一款专注印度市场的语音AI平台，支持印地语、泰米尔语等多种本地语言，提供超低延迟、电话系统集成和灵活模型接入能力，帮助企业快速部署本地化AI客服与销售智能体。

GitHub日报·08月03日：Rust重塑PDF处理与实时语音Agent崛起

ARYA：从零打造能操控真实应用的语音AI助手

开发者打造的语音AI助手ARYA，能操控WhatsApp、Spotify等真实应用，具备向量记忆功能。深入解析其技术实现路径、AI Agent趋势及个人开发者构建智能体的机遇与挑战。

HuggingFace开源语音助手：本地部署全栈方案详解

深入解析HuggingFace speech-to-speech开源项目，涵盖VAD、STT、LLM、TTS四大模块的模块化架构设计，以及本地部署在数据隐私、成本控制和低延迟方面的核心优势，助力开发者构建自主可控的语音智能体。

GitHub日报·07月28日：从Claude Code技能化到AI Agent治理，工具链走向成熟

Spring AI实战：ChatModel到RAG应用开发完整指南

全面解析Spring AI核心模块：ChatModel对话、EmbeddingModel向量化、RAG检索增强生成、Tool Calling工具调用及MCP协议。Java开发者快速接入DeepSeek、ChatGPT等大模型的实战教程，涵盖Milvus向量数据库与Ollama本地模型集成。

状态机语音Agent实战：Pipecat与Vapi的延迟与准确性权衡

深入剖析基于状态机的语音AI Agent架构，对比Pipecat Flows与Vapi Squad两大主流方案的优劣，探讨Agent任务交接（Handoffs）中上下文传递的挑战，帮助开发者在延迟与准确性之间找到最优平衡。

LangChain四大更新：OpenWiki、语音智能体与子智能体编排全解析

LangChain密集发布四项核心功能：OpenWiki自动生成代码库文档、两套语音智能体教程、Harbor长时评估集成，以及deepagents可编程子智能体。本文逐一拆解每项功能的技术原理与应用场景，助力开发者快速掌握智能体全链路开发能力。

硬件级控制手机AI Agent：用HDMI+USB HID绕开软件限制

一个开源项目通过HDMI采集屏幕画面、USB HID模拟触控输入，实现无需root、无需App的手机AI Agent硬件控制方案。本文解析其核心原理、技术优势与现实局限，探讨外部硬件控制是否是移动智能体的可行方向。

3080Ti本地部署多模态AI Agent实战：显存管理与五大模块全解析

详解如何在3080Ti 12GB显存上本地部署多模态AI Agent系统，涵盖LLM、语音识别、语音合成、图片生成、视频生成五大模块的选型方案、显存动态加载策略及实际性能表现。

Claude Code + AssemblyAI实战：一个下午搭建语音Agent完整教程

详解如何用Claude Code和AssemblyAI语音智能体API，一个下午从零搭建具备语音识别、对话理解和日历预约功能的Voice Agent，含完整开发流程、成本对比和实际演示效果。

Inworld Realtime TTS-2：全栈实时语音AI基础设施深度解析

深度解析Inworld发布的Realtime TTS-2全栈语音AI平台，涵盖排名第一的TTS引擎、语音到语音处理、LLM路由等核心能力，以及其在语音代理、AI伴侣等场景的应用价值。

Dogra：开源自托管语音AI平台，告别VAPI天价账单

Dogra是一款开源自托管语音AI平台，提供可视化工作流构建器、多服务商自由切换和完整调用追踪能力。对比VAPI、Bland等托管平台，Dogra帮助开发者大幅降低语音Agent成本，摆脱供应商锁定，实现完全可控的语音AI部署。