语音技术参考

本页用于定位首段音频等待时间；日常配置见语音指南。

首段音频路径

当前助手模式的 Alibaba TTS 会在 Agent 生成期间并行准备 WebSocket，并在同一回复的分段间复用连接。后一段等待提供商的 response.done；完成或打断时释放连接。其他提供商是否支持预连接取决于实现。

完整句子可以立即提交播报。没有完整句子时，网关会尝试在安全的短语边界分段；不在单词、代码块、表格或未完整的链接内强制截断。

定位等待时间

网关记录 first_response_text、first_speech_phrase、response_tts_ready、first_synthesis_requested、first_tts_text_submitted 和 first_response_audio。在同一 responseId 下对比 textToPhraseMs、phraseToSubmitMs、submitToAudioMs，区分文本分段、连接等待和合成；DashScope 另记录 setupMs 和 synthesisMs。

网页和桌面报告 speech_end_to_audio_received、speech_end_to_audio_scheduled。原生客户端报告 speech_end_to_audio_buffered，表示音频进入客户端队列或播放提交。以上都不是物理扬声器出声时间。

新指标通过语音 preflight 公布；连接旧网关时，新客户端会省略不受支持的指标。比较冷启动与后续回复的 p50/p95，并同时检查打断、回声和声音连续性。模拟提供商测试只能验证顺序与清理，真实延迟需要现场通话。

完整实现说明见英文技术参考。