「今天要编排的，明天就成模型行为」：语音管线正在被模型吞掉

morqon · x · 2026-08-25

有人引用一句判断「今天需要编排的东西，明天就会变成模型行为」，并援引 Prash Mittal 关于语音 agent 的长文：约两年前帮创业公司做语音 agent 时还是链式系统——VAD 判断说话结束、ASR 转文本、LLM 推理并产出工具调用、TTS 转回语音，开发者要自己负责轮替、延迟和打断处理。

而 gpt-realtime 这类模型已经吞掉了大部分管线：单一模型原生接收和产出音频，同时并行输出转写与工具调用流。但外层的对话「协议」编排仍然存在——这正是「把事情左移进模型」趋势的典型例证。