语音 Agent 技术栈拆解:电话线、STT、大脑与语音的延迟实战
schwentker · x · 2026-10-09
作者 @schwentker 分享其语音 Agent「Veronica」的完整技术栈:
- 电话线:Twilio
- 耳朵:流式语音识别(如 Deepgram)
- 大脑:Cresta Conductor
- 声音:ElevenLabs
- 用 LiveKit 的 WebRTC 可省约 300ms 延迟
作者指出超过约 300ms 的静默会显得不自然,核心难点是:用户说话中途停顿时,机器如何判断对方是在思考还是已经说完。
后续计划:让 Veronica 帮团队规划夜间活动——已录入 12 个旧金山创业活动,先用普通代码按硬性规则(预算 $40、周四、容纳 8 人、靠近 SoMa)筛到 3 个,再由名为 Jev 的分类器从中挑选,保证不会凭空编造活动。「代码负责过滤,Jev 负责选择」,目前服务单人,下一步面向团队。
「编程与Agent」频道最新
- 开源创意 Agent Open-Voyager:视频/设计领域的 Codex — matchaman11 · 2026-10-09
- 给 AI 智能体一个空 3D 世界:它们自建村庄甚至撰写宪法 — pkmital · 2026-10-09
- 头部 agent 团队也在抄 codex:上下文管理才是 agent 第一难题 — aigclink · 2026-10-09
- 博主用多智能体协作搭出 24 小时 AI 新闻电视台，即将开源 — vista8 · 2026-10-09
- Agent Arena 榜单：Claude Opus 5.5 居首，GPT 6 Astra 紧随其后 — arena · 2026-10-09
- anti-slop 规则集爆火：给 AI 编码代理过滤「AI 味」输出 — tom_doerr · 2026-10-09