全双工语音（Full-Duplex Voice）

全双工语音的实现依赖三项关键技术。第一，实时 VAD（Voice Activity Detection）：传统 VAD 只检测用户说话的开始/结束，全双工系统需要持续监听音频流，实时判断当前是用户在说话、AI 在说话、还是双方在「重叠」。这个判断必须在毫秒级完成（延迟 < 50ms），否则会出现 AI 在用户说话时继续说的尴尬情况。维基百科定义 VAD 为「检测人类语音存在与否的技术」，主要用于语音编码、说话人分离（Diarization）和语音识别。

第二，流式推理（Streaming Inference）：LLM 必须支持 token-by-token 的流式输出，TTS 必须支持边接收文本边合成语音。传统方案等 LLM 生成完整回复再交给 TTS，全双工方案让 LLM 每生成一个句子就立即交给 TTS 处理，大幅降低首字节延迟（TTFB）。据 Pipecat 流式流水线文档，首段 TTFB 可降至约 370ms。

第三，并行编解码（Parallel Codec）：音频编解码器必须支持同时编码（用户输入）和解码（AI 输出），而不是传统的半双工切换。这需要专门的音频编解码器设计，或在软件层面实现全双工模式。

半双工（Half-Duplex）架构：采用 ASR→LLM→TTS 三段式串行流水线。ASR 必须等用户说完才能输出完整文本；LLM 必须等 ASR 完成才能开始推理；TTS 必须等 LLM 生成文本才能开始合成语音。优势是组件可独立开发测试部署（如 ASR 用 Whisper、LLM 用 GPT-4o、TTS 用 ElevenLabs），劣势是串行等待时间无法消除，且无法处理用户中途打断。

全双工（Full-Duplex）架构：通过实时 VAD 持续监听、流式推理 token-by-token 输出、并行编解码同时处理输入输出，实现毫秒级说话人切换。优势是用户体验自然流畅（延迟 < 200ms）、支持自然打断；劣势是架构复杂度高，需要专门的音频编解码器和流式处理管道。

关键指标对比：说话人切换延迟（半双工 1-3 秒 vs 全双工 < 200ms）、打断处理（半双工忽略或丢失上下文 vs 全双工原生支持）、首字节延迟 TTFB（半双工 1-3 秒 vs 全双工 < 400ms）。

OpenAI GPT-Live：2026 年推出的全双工语音模型，支持实时对话与自然打断，是 ChatGPT 语音模式的核心技术。

Google Gemini Live：Google 的全双工语音助手，据 NVIDIA PersonaPlex 技术博客分析，说话人切换延迟约 1260ms——虽已优化但仍高于 200ms 的自然对话阈值，说明全双工技术的工程挑战。

Pipecat：开源的全双工语音 AI 框架，提供流式流水线组件，支持实时 VAD、流式推理、并行编解码。据其官方文档，首段 TTFB 可降至约 370ms。

评估标准：选择全双工语音方案时，核心指标是说话人切换延迟（< 200ms 用户才感觉自然）、打断处理延迟（< 100ms）、VAD 判断延迟（< 50ms）。