开发者搭建纯欧洲语音 agent,500ms 延迟成本极低

开发者 tobowers 反驳「必须用美国 AI 才算前沿」的说法,搭建了一条完全不含美国公司和服务器的实时语音 agent 链路:Gladia 负责语音识别,Gemma 4 部署大模型,KugelAudio 负责语音合成。实测从话轮结束到首次出声约 500ms,其中 LLM 推理仅约 200ms,效果令人惊喜。成本方面,最贵的 KugelAudio 按说话时长计费仅每分钟 0.035 美元,Gladia 为每小时 0.75 美元且只计实际发送的音频,整场语音 demo 仅花费约 2 美分。他的结论是欧洲虽缺前沿通用大模型,但足以搭建实用语音 agent。

2026-09-24 ~ 2026-09-24 · 3 条相关

• 零美国公司数据链路搭实时语音 agent:Gladia STT + Gemma 4 + KugelAudio TTS — tobowers · 2026-09-24
• 端到端约 500ms 出声:欧洲语音 agent 实测延迟表现惊艳 — tobowers · 2026-09-24
• 整场语音 demo 只花约 2 美分:KugelAudio 每分钟语音 0.035 美元 — tobowers · 2026-09-24