泰米尔语语音伴聊技术栈选型：Sarvam vs Google 及长记忆实践

intrepidkarthi · reddit · 2026-08-20

作者在构建一个支持 5-10 分钟长对话的泰米尔语语音伴聊应用。技术栈方面，Google Chirp3 HD 语音自然度优于 Sarvam bulbul，但缺乏音高调节和自定义发音功能，且作者必须采用级联架构（STT-LLM-TTS）而非端到端方案，以便在文本层部署安全门控和记忆模块。

针对三个核心问题寻求建议：1) 泰米尔语 STT/TTS 选型（排除了 ElevenLabs 和 Deepgram）；2) 长对话记忆管理，采用结构化提取至 SQLite 的方案以保持提示词缓存温热，询问非英语语音代理在 Graphiti/Zep/Mem0 下的表现；3) 并发扩容，对比 LiveKit Agents 与 Pipecat，目前端到端延迟约 2 秒，计划转向流式 WebSocket 优化。