语音 agent 终于跨过了延迟这道线

杀死语音机器人的，从来都不是智能。是停顿。你说完一句话，机器人就在那儿愣一下——半秒，有时候整整一秒—— 才回你。你的大脑把那个空档读成 坏了，于是你猛按 0 找人工。你恨过的每一个「按 1 转账单」系统， 都死在那个空档上，而不是死在它的词汇量上。

到了 2026 年，这个空档合上了。

那个改变一切的数字

一段对话要感觉真实，往返时延——你说完话、第一段音频回来——得落在大约 500 毫秒（激进）到 700 毫秒（被广泛接受）以内。以前把这些部件叠起来，这根本做不到。现在每个部件都塞得进去了： 流式语音识别低于 300 毫秒、LLM 首个 token 低于 300 毫秒、语音合成首段音频低于 100 毫秒。 把它们拼起来，你就在预算之内了。

突破来自语音这一层。Cartesia 的 Sonic-Turbo 用的是 state-space 模型 而不是 transformer，即使在负载下也稳稳保持 40 毫秒——而 transformer TTS 在规模化时正是在这儿崩掉的。ElevenLabs 低于 100 毫秒， 并且已经跑进了 IBM watsonx 的呼叫中心。Vapi 报告了 3 亿多次通话，平均低于 500 毫秒。 对话式 AI 市场预计将从 2024 年的 24 亿美元增长到 2034 年的 475 亿美元——原因不是更聪明的模型。 是毫秒。

语音难的部分从来都不是模型的 IQ。是回合之间的那段沉默——而沉默是一个工程问题，不是一个研究问题。

真正改变的是什么

不是大脑。是管道。端到端的流式传输，让音频在模型想完之前就先出来；懂得你什么时候说完、被你打断时 还能恢复的回合管理；以及一个为延迟而不是为「不惜代价的质量」而生的 TTS 架构。接电话的那个模型， 往往就是去年回你聊天的 同一个 模型。它只是不再让你等了。

它解锁了什么

电话重新成了一个真正的界面——而最需要它的不是科技公司。是那些靠打进来的电话过日子、却因为没人腾得出手 接听而漏掉一半的沙龙、诊所、小工作室。一个第一声铃就接起、并把预约排上的语音 agent，不再是个 demo； 它是一个终于有解的漏接电话问题。（这正是我在造一个的原因。）

两个陷阱

别自己造流水线。 实时音频回路——回合管理、抢话打断、延迟预算——才是真正难的工程，而它现在已经是 解决好的 commodity 了。租它（Vapi、Retell）。你的价值是通话背后的逻辑，不是它下面的那套管道。

语音也逃不掉 grounding。 一个负责排预约的机器人，不能凭空造一个空档，也不能兴高采烈地确认一个 从没发生过的预约。我一直对文本重复的那条规则，在电话上同样成立：把模型锚在一个真实来源上，绝不让它自己编造事实。 一个自信满满、却在瞎编的声音，比一个干同样事的聊天更糟——它 听起来 很可靠。

结论

语音跨过了这道线。停顿消失了，而且是悄无声息地——没有什么新的前沿模型，只是毫秒终于凑齐了。 机会不在于一个更聪明的机器人。而在于把一个突然变得可用的界面，对准那座小企业至今还接不了的电话之山。

造逻辑和 grounding。毫秒租来用。