实时语音 Agent 趋向前后台双模型分离架构

实时语音 Agent 主流方案趋向前后台双模型分离，由交互模型维持对话，后台模型处理推理和工具调用。Thinking Machines Lab 的研究预览以 200ms 为单位分块处理音频、视频和文本，以兼顾实时响应与深度任务处理。