微光实验室 · 标签归档
标签: 实时语音
共 17 篇文章，按主题汇总相关教程、案例、工程实践和阶段性总结。
GPT-Live 到底发布了什么：从回合式语音到连续交互循环
一个语音 Agent 可以做到 300 毫秒出声，仍然可能很难用。 用户只是停下来想了半秒，它抢着回答；用户说“等等”，它要到整段 TTS 播完才停；搜索需要十几秒，会话就像断线；后台结果回来时，用户已经换了问题，它却继续念旧答案。
实现 GPT-Live-like：两条路线、一个控制面和六阶段验收
开头：先把“像 GPT-Live”改写成可验收的问题 “我们也做一个 GPT-Live-like 系统”，听起来像一个模型选型任务。团队可能先替换 Realtime 模型，或者把原有 ASR、LLM、TTS 全部推翻...
GPT-Live 与 GPT-Realtime：产品模型和公开 API 不应混写
开头：把发布页里的名字填进 model，是一次很典型的事故 新模型发布后，团队最容易出现一条看似合理的工作流：产品经理看到了 ChatGPT Voice 的新体验，技术文章写着 GPT-Live-1，开发者便把 model 配置改成同名字符...
前台语音与后台任务为什么要做双循环：从委派到结果新鲜度
一个迟到结果如何变成事故 用户对语音 Agent 说：“帮我找上海周末适合孩子的活动。”系统把搜索交给后台，前台没有卡住，还能自然回应：“好，我查一下，你可以继续补充要求。” 两秒后，用户补充：“不要室外的，最好周日下午。
打断不是听到声音就闭嘴：语音 Agent 的话权状态怎样真正收敛
元信息 文章类型：语音交互状态机与事件协议 目标读者：实时语音 Agent、智能硬件、客服语音和多模态系统的工程师与技术负责人 读者问题：怎样区分打断、附和、旁人语音、环境声和停顿，并让取消、播放与历史最终一致？
全双工语音 Agent 如何评测：从首音延迟到事件级验收
元信息 文章类型：Voice Agent 评测方法与验收合同 目标读者：正在开发实时语音、客服、车载、机器人或工具型 Voice Agent 的工程团队 读者问题：除了首音延迟，怎样判断系统真的会倾听、会打断、能恢复并正确完成任务？
GPT-Live 可能怎样实现：从公开行为到架构约束的证据梯度
开头：同一种体验，可能来自完全不同的系统 用户在系统说话时插入一句“等等，不是杭州，是青岛”，旧回答迅速停下，新答案沿着纠正后的目标继续。看到这个行为，很容易写出一个看似专业的结论：GPT-Live 一定使用双音频流...
WebRTC 已经双向，语音 Agent 为什么还会抢话？
备用标题 1. 语音 Agent 全双工的三层验收：传输、推理与话权 2. 音频能同时收发之后，真正难的是四份状态保持一致 3. 从 sendrecv 到自然打断：全双工语音系统还缺什么 开头钩子 一个语音 Agent 的 WebRTC 指...
开放权重不是唯一控制权：Kimi K3、Hy3 与 Seed 的九项交付比较
企业评估模型时，最容易问错的一个问题是：它到底开放还是闭源？ 这个二分法对软件许可证有用，却不足以描述一套 AI 系统真正交给采用团队的东西。拿到权重，意味着可以固定版本、选择部署位置并修改运行时，但不代表已经获得成熟的工作流...
同一画面，两种动作：多模态 Agent 如何验证状态是否足够
先看两个合成工程场景。它们不是公开事故，也不是作者实测。 机械臂在两次测试中看到几乎相同的 RGB 画面：夹爪已经合拢，杯子位于指尖之间。策略都准备“向上抬升”。第一次杯子被稳定拿起；第二次杯子刚离开桌面就滑落。
生产模型路由不是一次难度分类：从硬约束可行域到状态检查点升级
发布边界：产品能力和公开案例绑定来源；通用控制面、检查点与副作用账本属于工程设计，不宣称为供应商内部实现。 生产模型路由不能被简化为一次 Prompt 难度分类。
低延迟不是更快地猜：EOU、Barge-in 与 Turn Protocol 为什么必须统一
发布边界：协议、状态机和预算属于工程设计；供应商事件名只在对应产品边界内成立，不冒充作者已完成的线上实测。 摘要 语音 Agent 的低延迟不只是缩短静音阈值。EOU 决定何时允许一轮产生后果，Barge-in 决定旧一代工作何时失去提交资...
1.2GB 离线语音 Agent 真正值得复用的，不是 908ms
摘要：一台 Galaxy S23 Ultra 上的离线语音 Agent 曾测得 908ms 首音频和 1,116MB PSS。但真正值得复用的不是这两个数字，而是四阶段职责、状态感知 Tool Schema...
Shippy 的启示：可靠 Agent 不是“更听话”，而是更少犯错空间
摘要：高风险 Agent 的可靠性不能只押注于模型更强。Shippy 的工程价值 在于用版本化行为工件、确定性 CLI、会话隔离和整套 Agent Eval，持续缩小 动作空间、状态空间与错误后果。
从 Java 后端到实时语音 AI：我的工作为什么越来越像 FDE
阅读说明：本文只使用已披露的 Java、Go、Python、实时语音、端云链路和机器人端经历，不虚构客户交付、采用率或 ROI；重点是复盘工程所有权如何变化。 编辑复核（2026-07-18）：一手来源支持核心事实；岗位状态为时间快照；
OpenAI 的首款硬件不是“音箱”问题：无屏 AI 伴侣成立的十二个条件
发布边界：无屏、可移动、音箱形态仍来自媒体匿名信源；OpenAI 官方只确认团队与设计合作。 核心结论 1. OpenAI 已确认的是团队与设计能力，不是最终产品规格。[S01] 2. Bloomberg 所述“无屏、可移动...
GPT-5.6 Sol、Terra、Luna 怎么选：内容仓库为什么默认 Sol + Medium
推荐标题：GPT-5.6 Sol、Terra、Luna 怎么选：内容仓库为什么默认 Sol + Medium 备选标题1：Sol + Medium 为什么适合长期内容仓库 备选标题2：内容仓库如何选择 GPT-5.6 模型与推理档位 备选标...