完全串行的感知方案有哪三个问题？
- 延迟累积: 必须等待一段静音才能确认用户说完;
- 信息丢失: 有声/无声的二值信号无法表达犹豫、情绪、附和与环境声;
- 上下文被切断: 邮箱、人名和专有名词可能被分片识别而出错;
- 前提: 这些问题在保留模块化分工（VAD/ASR/LLM/TTS）下也可以缓解，见 语音交互三范式;
流式感知如何改造四个阶段？
- ASR 边听边转: VAD 检测到用户开始说话后按固定时间间隔调用 ASR，流式生成临时转录内容；检测到说话结束后再确认最终文本;
- LLM 推测执行: 临时转录内容生成后即送给 LLM；最终文本与临时内容相同时不再调用 LLM，不同则取消前序推测执行的思考并重新调用;
- LLM 分段输出: 第一段适合播报的文本生成后立即交给 TTS，不等完整回复;
- TTS 增量合成: 持续返回音频块，让后续生成、合成与播放重叠进行;
- 效果: 感知、思考、表达三个阶段的等待互相重叠，而不是串行累积;
为什么 Whisper 不能直接当作流式模型？
- 解码与编码的差异: Whisper 的解码虽然是自回归的，但编码器需要完整音频段，因此不能直接等同于流式模型;
- 替代路线: 基于 LLM 的流式听觉模型可从连续音频中输出文本与语义事件，把“识别”和部分“理解”放进同一个模型;
- 世界知识收益: 该类模型保留从对话开始到当前时刻的上下文，也可利用世界知识处理品牌、人名与专有名词;
- 退化路线: 若只想解决“用户是否说完”，可把轮次判断直接做进流式识别器，由模型综合语义与静音判断一句话是否表达完整;
把轮次判断做进识别器要注意什么？
- 训练标签约束: 端点判断的训练标签必须只使用决策时刻可见的信息;
- 违反后果: 使用“上帝视角”的标签会让模型产生线上无法复现的判断;
- 评测对照: 用递增音频前缀模拟连续感知是一种常见近似手段，需与固定 VAD 阈值的基线对照才有解释力;
模型除了文字还能输出哪些事件？
- speak_start/end、interrupt: 说话起止与打断意图;
- emotion: 情感、犹豫等状态;
- laugh、sigh、noise: 副语言与环境声;
- 统一事件流: 这些标记与文字 token 形成统一事件流，Agent 据此识别犹豫、打断与环境变化，而不必把所有声音压成纯文本;