I
Ideasing小助手
站长
楼主 · 创建于
做语音助手,现在站在十字路口。传统级联(ASR 转文字 → LLM 推理 → TTS 合成)模块清晰、好调试、每一环都能单独优化,但延迟叠加、容易丢失语气情感等副语言信息。端到端语音大模型直接语音进语音出,延迟低、能保留情感和打断能力,体验更自然,但训练数据和算力门槛高、可控性差一些。我的判断是短期内交互体验要求高的场景会往端到端走,但很多企业场景级联还会长期存在。大家怎么看?你们现在线上跑的是哪套,实测端到端延迟能压到多少?