大多数语音AI演示听起来不自然,原因很简单:底层还是回合制的对讲机逻辑。用户在一句话中间打断AI时,典型的封装方案会先等端点检测(300毫秒以上),再等语音转写定稿(200毫秒以上),然后才取消服务端的语音合成流——而此时WebSocket帧还在往外排。结果是650到900毫秒的尴尬抢话。
打开网易新闻 查看精彩图片
在搭建HardCall的过程中,这套等待逻辑被换掉了。HardCall是一个开源的全双工AI语音面试与高压演练模拟器,线上地址为hardcall.statementflow.win。它用一套52毫秒的双环打断架构替代了回合制等待。
不要等转写定稿再切断音频
如果非要等到转写结果出来才停止播放,人机对话的感觉已经丢了。人对打断延迟的感知阈值大约在200毫秒以上。HardCall把打断拆成两个异步循环:
- 50毫秒音频快环(确定性):本地Silero语音活动检测在约18毫秒内识别到说话起始,随即在0.16毫秒内清空出站音频环形缓冲区。停止说话这一步不需要任何服务端往返。
- 200毫秒语义慢环(意图闸门):音频已经静音的同时,一个轻量意图闸门判断用户这句话是真正的反驳(比如"等等,我们的p99降了42%"),还是无意义的附和与噪音("嗯哼"、咳嗽)。
双环为何优于纯能量阈值
纯能量语音活动检测会被键盘敲击或清嗓子触发误切;纯大模型回合判定又显得迟钝。把三件事组合起来——说话起始即刻清空本地缓冲、重置状态丢弃过期的合成帧、快速语义分类以决定是切换反驳提示(200毫秒内)还是平滑恢复——就能得到干脆的52.16毫秒打断体感,同时避免误判打断把整场演练带偏。
项目提供了线上全双工模拟器和开源仓库(支持macOS与Web),地址分别为hardcall.statementflow.win和github.com/wangguode/hardcall。如果你正在WebRTC或原始8kHz RTP上构建实时语音智能体,出站缓冲的清空策略与误触发恢复机制,是这套架构里最值得对照的部分。
热门跟贴