2026年,语音智能体(Voice Agent)赛道迎来爆发拐点。OpenAI于5月7日发布GPT-Realtime-2——首个集成GPT-5级推理能力的端到端语音模型,Big Bench Audio基准得分96.6%;Google Gemini Live同步升级多模态实时交互;与此同时,Vapi、Retell、ElevenLabs、Bland四大独立平台月处理通话量突破数十亿次。传统ASR→LLM→TTS三级管道正在被speech-to-speech端到端架构颠覆,延迟从秒级压缩至亚秒级。本文选取六大代表性引擎,从架构原理、延迟实测、定价模型、适用场景四个维度进行深度拆解,给出不同业务场景的选型建议。
在进入具体平台之前,必须理解语音Agent的架构范式正在经历根本性转变。
graph LR
subgraph "传统三级管道 (2024)"
A1[ASR<br/>Whisper/Deepgram] --> B1[LLM<br/>GPT-4o/Claude] --> C1[TTS<br/>ElevenLabs/Cartesia]
style A1 fill:#ff9999
style B1 fill:#ffcc99
style C1 fill:#99ccff
end
subgraph "融合管道 (2025)"
A2[Streaming ASR] -.-> B2[LLM + Streaming TTS<br/>流式交织]
style A2 fill:#ffcc99
style B2 fill:#99ff99
end
subgraph "端到端 (2026)"
A3[Speech-to-Speech<br/>GPT-Realtime-2 / Ultravox]
style A3 fill:#99ccff
end
A1 -.->|延迟 1.5-3s| A2
A2 -.->|延迟 500-800ms| A3
A3 -.->|延迟 100-500ms| X[目标:<200ms]
传统管道的致命问题:ASR必须等一句说完才能送入LLM,LLM必须等生成完整回复才能送入TTS,三段串行累加延迟轻松超过1.5秒。融合管道通过流式处理部分缓解——ASR边听边送、LLM边生成边送TTS——但本质上仍是三组件拼接。端到端架构直接训练语音入-语音出的单一模型,省去所有中间序列化环节,理论延迟可降至100ms以下。
| 维度 | OpenAI Realtime API | Google Gemini Live | Vapi | Retell AI | ElevenLabs Conv. AI | Bland AI |
|---|---|---|---|---|---|---|
| 架构模式 | 端到端Speech-to-Speech | 端到端多模态 | 编排层(ASR+LLM+TTS) | 编排层(ASR+LLM+TTS) | TTS原生+LLM编排 | 全栈自建+自研模型 |
| 语音到语音延迟 | 500-800ms | 400-700ms | 600-900ms | ~600ms | 700-1000ms | 800-1200ms |
| 端到端模型 | GPT-Realtime-2 | Gemini 2.5 Flash | 可选多模型 | 可选多模型 | 自研+第三方 | 自研模型 |
| 电话集成 | 无原生SIP | 无原生SIP | SIP/PSTN原生 | SIP/PSTN原生 | 通过合作伙伴 | SIP/PSTN原生 |
| 工具调用 | Parallel Function Calling | Google Function Calling | 自定义Tool | 自定义Tool | 有限支持 | 自定义API |
| 打断处理 | 服务端VAD | 服务端VAD | 可配置VAD | 语义Turn检测 | 基础VAD | 可配置VAD |
| 最低定价 | $0.06/分钟 | 免费额度+按量 | $0.05/分钟 | $0.07/分钟 | $0.10/分钟 | $0.09/分钟 |
| 开源程度 | 闭源API | 闭源API | 闭源平台 | 闭源平台 | 闭源 | 闭源 |
| 最适场景 | 浏览器/Web应用 | Google生态集成 | 电话客服/IVR | 开发者优先电话Agent | 高品质语音体验 | 企业外呼营销 |
GPT-Realtime-2于2026年5月7日发布,是业界首个将GPT-5级推理能力注入语音模型的产物。与上一代gpt-4o-realtime-preview不同,Realtime-2支持可配置推理强度(reasoning effort)——高推理模式下延迟增加但准确率显著提升,低推理模式下延迟压缩至500ms以内。模型支持128K上下文窗口、并行工具调用(Parallel Function Calling),以及流式音频输入输出。
核心技术突破在于音频原生推理:模型直接处理音频token而非先转文本。这意味着语调、情感、背景噪音等声学信息都被纳入推理上下文,而非在ASR阶段被丢弃。
import asyncio
from openai import AsyncOpenAI
client = AsyncOpenAI()
async def voice_agent():
async with client.realtime.connect(
model="gpt-realtime-2",
voice="coral",
) as conn:
await conn.session.update(session={
"turn_detection": {"type": "server_vad"},
"tools": [{
"type": "function",
"name": "lookup_order",
"description": "查询订单状态",
"parameters": {
"type": "object",
"properties": {
"order_id": {"type": "string"}
}
}
}]
})
async for event in conn.listen():
if event.type == "response.audio_transcript.done":
print(f"Agent: {event.transcript}")
elif event.type == "response.function_call_arguments.done":
result = await lookup_order(event.arguments)
await conn.conversation.item.create(
function_call_output={
"call_id": event.call_id,
"output": result
}
)
asyncio.run(voice_agent())
优势:端到端架构延迟最低档;推理能力最强(Big Bench Audio 96.6%);原生支持并行工具调用;流式处理音视频多模态。劣势:无原生电话集成,需第三方SIP网关;WebSocket连接管理复杂;高推理模式下延迟可能飙至1.2秒;定价不含电话费,总成本可能高于编排层方案。
Vapi的核心定位是语音Agent中间件:不自己训练模型,而是将ASR(Deepgram/AssemblyAI)、LLM(GPT-4o/Claude/Gemini)、TTS(ElevenLabs/Cartesia/PlayHT)三大组件编排成完整的通话管道,并在顶层提供SIP/PSTN电话集成。
这种"不造轮子"的策略让Vapi在灵活性上占据优势——用户可以混合搭配任意组件。但代价是延迟累加:Deepgram ASR ~200ms + LLM推理 ~300ms + ElevenLabs TTS首字节 ~250ms = 750ms起步,加上网络抖动实际延迟通常在800-1000ms。
// Vapi Voice Agent 配置示例
const assistant = await vapi.assistants.create({
name: "客服助手",
model: {
provider: "openai",
model: "gpt-4o",
messages: [{
role: "system",
content: "你是客服代表,用中文回答客户问题。"
}],
tools: [{
type: "function",
name: "check_balance",
description: "查询用户余额"
}]
},
voice: {
provider: "11labs",
voiceId: "pNInz6obpgDQGcFmaJgB",
stability: 0.7,
similarity_boost: 0.8
},
transcriber: {
provider: "deepgram",
model: "nova-2",
language: "zh"
},
firstMessage: "您好,请问有什么可以帮您?"
});
// 发起电话呼叫
const call = await vapi.calls.phoneCall({
assistantId: assistant.id,
phoneNumberId: "phone_123",
customer: {
number: "+8613800138000"
}
});
优势:原生SIP/PSTN电话集成;组件可自由替换;SDK支持Web/电话双通道;$0.05/分钟起步价最低;函数调用支持完善。劣势:延迟受限于组件累加;语音质量取决于TTS供应商选择;供应商锁定风险(更换组件需重新调优);高级功能(情感检测、语速自适应)需额外付费。
Retell的核心差异化是语义级Turn Detection。传统VAD(Voice Activity Detection)仅检测声学静默——停顿超过300ms就认为用户说完了。这导致用户思考时的自然停顿被误判为对话结束,Agent抢话打断用户。Retell的语义Turn Detection同时分析声学信号和语义完整性——"我想订一张去……嗯……"中的停顿会被正确识别为"还在思考",而非"说完了"。
这一特性在实际通话中效果显著。根据tested.media基于30+生产部署的评测,Retell的误打断率从传统VAD的15-20%降至3-5%,对话自然度评分(MOS)提升0.4-0.6个点。
from retell_sdk import Retell
retell = Retell(api_key="your_key")
# 创建语音Agent
agent = retell.agents.create(
name="销售助手",
llm={
"provider": "openai",
"model": "gpt-4o",
"system_prompt": "你是电话销售,用自然语气引导客户。",
},
voice={
"provider": "elevenlabs",
"voice_id": "Xb7hH8MSUJpSbSDYk0k2",
},
turn_detection={
"type": "semantic",
"params": {
"wait_time": 0.6, # 等待确认语义结束
"max_wait": 2.0, # 最长等待
}
},
respond_options={
"interruption": "agent_stops", # 打断策略:Agent立即停止
}
)
# 发起SIP电话
call = retell.calls.create_phone_call(
agent_id=agent.id,
metadata={"customer_id": "cust_789"},
retell_llm_dynamic_variables={
"customer_name": "张先生",
"recent_order": "iPhone 16 Pro"
}
)
优势:语义Turn检测大幅提升对话自然度;600ms延迟在同档竞品中领先;50+语言支持;HIPAA合规(医疗场景);Dynamic Variables注入运行时上下文。劣势:$0.07/分钟高于Vapi;语义Turn检测增加~50ms延迟;电话号码需从Retell购买或端口转入;高级分析功能需Enterprise计划。
ElevenLabs从TTS起家,其Conversational AI平台将TTS品质优势延伸到完整语音Agent管道。核心架构:自研流式ASR(支持29+语言)→ 第三方LLM → 自研Turbo v2.5/Flash TTS引擎。
Turbo v2.5的TTS首字节延迟(TTFB)约为150-200ms,显著快于竞争对手。音频品质方面,ElevenLabs的MOS(Mean Opinion Score)评分稳定在4.2-4.5,接近真人水平。2026年新增的"Voice Design"功能允许用户通过文本描述生成全新音色——"30岁中国女性,温柔专业,带有轻微南方口音"即可生成专属音色。
import { ElevenLabsClient } from "elevenlabs";
const client = new ElevenLabsClient({ apiKey: "your_key" });
// 创建Conversational Agent
const agent = await client.conversationalAi.agents.create({
name: "语音助手",
language: "zh",
llm: {
provider: "openai",
model: "gpt-4o",
systemPrompt: "用自然语气回答用户问题,语速适中。",
},
tts: {
provider: "elevenlabs",
voiceId: "custom_voice_id",
model: "eleven_turbo_v2_5",
stability: 0.6,
similarityBoost: 0.8,
style: 0.3,
},
asr: {
provider: "elevenlabs",
}
});
// 生成WebSocket签名用于前端连接
const signedUrl = await client.conversationalAi.getSignedUrl({
agentId: agent.id,
});
优势:TTS品质行业天花板;29+语言高质量覆盖;Voice Design自定义音色;Turbo v2.5 TTFB仅150ms;SDK支持Web/iOS/Android。劣势:$0.10/分钟定价最高档;无原生电话集成,需通过Twilio等网关;ASR能力不如Deepgram专业;工具调用支持有限;高并发下品质可能下降。
Bland AI从第一天就瞄准企业级外呼场景,架构完全为高并发电话营销优化。核心差异:自研端到端模型(不依赖第三方LLM),内置SIP中继,集成SMS/短信双通道,以及独特的"Pathway"脚本引擎——用类YAML语法定义对话分支逻辑,而非纯prompt驱动。
Pathway引擎让Bland特别适合结构化场景(预约确认、账单催收、调查问卷),但对开放式对话能力有限。定价$0.09/分钟含电话费,实际测试总成本$0.09-0.14/分钟(含失败呼叫税$0.015/次)。2026年新增的"AI Assistant"功能可以用单一prompt生成生产就绪的语音Agent。
优势:全栈自建,无第三方依赖风险;原生SIP/PSTN/SMS三通道;Pathway引擎适合结构化场景;企业级合规(SOC2/ HIPAA);并发能力支撑百万级日通话。劣势:自研模型推理能力不如GPT-4o/Claude;开放式对话体验差于编排层方案;定价不透明,隐藏费用多;自定义灵活性低;供应商锁定风险最高。
LiveKit Agents和Pipecat代表了语音Agent的另一条路径:完全开源、自主可控。LiveKit提供WebRTC基础设施和Agent运行时框架,Pipecat提供Python管道抽象层——两者可以独立使用,也可以组合。
LiveKit Agents框架的核心是"Plugin"架构:每个组件(ASR、LLM、TTS、VAD)都是可替换的插件。开发者可以自由组合Deepgram ASR + Anthropic Claude + Cartesia TTS,或OpenAI Whisper + Llama 3 + XTTS,完全控制数据流向。Pipecat更进一步,用Python的异步管道(类似Unix pipe)将所有组件串联。
# Pipecat 语音Agent示例
from pipecat.pipeline.pipeline import Pipeline
from pipecat.pipeline.runner import PipelineRunner
from pipecat.services.deepgram import DeepgramSTTService
from pipecat.services.openai import OpenAILLMService
from pipecat.services.elevenlabs import ElevenLabsTTSService
from pipecat.transports.services.daily import DailyParams
# 构建管道
pipeline = Pipeline([
DeepgramSTTService(api_key="dg_key", model="nova-2"),
OpenAILLMService(
api_key="openai_key",
model="gpt-4o",
system_message="你是语音助手,简洁回答。"
),
ElevenLabsTTSService(
api_key="11labs_key",
voice_id="Xb7hH8MSUJpSbSDYk0k2",
model="eleven_turbo_v2_5"
)
])
# 运行
runner = PipelineRunner()
await runner.run(pipeline)
LiveKit优势:完全开源,数据完全自主;WebRTC协议原生低延迟;300K+开发者社区;支持音频/视频/物理机器人多模态;可私有化部署。LiveKit劣势:需自建SIP网关集成电话;运维复杂度高;无内置计费/分析面板。Pipecat优势:Python原生,上手最快;管道式架构直觉清晰;组件生态丰富。Pipecat劣势:生产级规模需配合LiveKit;文档不如商业平台完善;社区规模较小。
graph TD
subgraph "三大核心技术挑战"
T1[Turn-Taking<br/>话轮交替]
T2[Barge-In<br/>打断处理]
T3[Latency Budget<br/>延迟预算分配]
end
T1 --> S1[语义vs声学检测]
T1 --> S2[多说话人场景]
T1 --> S3[文化差异<br/>中文vs英文停顿习惯]
T2 --> S4[即停即说<br/>Agent中断生成]
T2 --> S5[上下文保持<br/>打断后如何续接]
T2 --> S6[误触发过滤<br/>噪音/背景声vs真实打断]
T3 --> S7[网络传输: 50-100ms]
T3 --> S8[ASR流式: 150-300ms]
T3 --> S9[LLM首token: 200-500ms]
T3 --> S10[TTS首字节: 150-250ms]
T3 --> S11[目标: 总计 <800ms]
人类对话中,平均停顿时间为200-300ms,且充满"嗯"、"然后"等填充词。VAD-only方案将400ms以上的静默视为话轮结束,导致用户思考时被频繁打断。Retell的语义检测和Deepgram的新Flux模型正在解决这个问题——Flux引入"speaker intent prediction",预测用户是否打算继续说话,准确率宣称达到94%。
真正的打断需要:1)立即停止TTS播放(<50ms);2)清空LLM生成队列;3)保存当前对话上下文;4)处理用户新输入。这个闭环的每个环节都有技术难点。目前表现最好的是OpenAI Realtime API(服务端统一管理)和Retell(语义级中断检测)。
800ms是人类感知"自然对话"的临界阈值。一个典型的三级管道延迟预算:网络传输80ms + ASR流式首结果200ms + LLM首token 300ms + TTS首字节200ms = 780ms,几乎没有余量。端到端模型(GPT-Realtime-2)通过消除ASR/TTS中间步骤,将同样的推理时间预算留给"思考",显著提升回复质量。
| 平台 | 标称价格/分钟 | 隐藏成本 | 实际总成本/分钟 | 1000分钟/月成本 |
|---|---|---|---|---|
| Vapi | $0.05 | 电话号码$2/月+SIP中继费 | $0.07-0.10 | $70-100 |
| Retell | $0.07 | 电话号码$1.5/月+HIPAA附加费 | $0.09-0.12 | $90-120 |
| Bland | $0.09 | 失败呼叫税$0.015/次+SMS附加费 | $0.09-0.14 | $90-140 |
| ElevenLabs | $0.10 | Twilio网关费$0.005/分钟 | $0.11-0.13 | $110-130 |
| OpenAI Realtime | $0.06 | SIP网关+电话号码+TTS(如果需电话) | $0.08-0.15 | $80-150 |
| LiveKit+Pipecat | 自建 | 服务器$50-200/月+组件API费 | $0.03-0.08 | $30-80 |
关键发现:标称价格与实际成本差距巨大。Bland标称$0.09/分钟看似高于Vapi的$0.05,但Vapi需额外支付电话号码、SIP中继、TTS供应商费用,总成本可能反超。开源方案(LiveKit+Pipecat)月固定成本高,但在超过5000分钟/月后规模效应显著。
| 业务场景 | 首选方案 | 理由 |
|---|---|---|
| Web/APP语音助手 | OpenAI Realtime API | 延迟最低,推理最强,无电话需求 |
| 客服IVR替代 | Retell AI | 语义Turn检测+HIPAA合规+低延迟 |
| 外呼营销/催收 | Bland AI | Pathway结构化脚本+高并发+SMS双通道 |
| 高品质语音产品 | ElevenLabs Conv. AI | TTS品质天花板+自定义音色 |
| 快速原型验证 | Vapi | 最低起步价+组件可替换+SDK成熟 |
| 自主可控/私有化 | LiveKit + Pipecat | 完全开源+数据不出域+WebRTC低延迟 |
| Google生态集成 | Gemini Live | 与GCP/A Dialogflow无缝集成+免费额度 |
| 教育培训场景 | ElevenLabs + OpenAI | 语音品质+推理深度双保障 |
graph LR
subgraph "选型决策树"
Q1{需要电话集成?}
Q1 -->|是| Q2{外呼为主?}
Q1 -->|否| Q3{语音品质优先?}
Q2 -->|是| Q4{结构化对话?}
Q2 -->|否| Q5{合规要求高?}
Q4 -->|是| R1[Bland AI]
Q4 -->|否| R2[Vapi]
Q5 -->|是 HIPAA| R3[Retell AI]
Q5 -->|否| R2
Q3 -->|是| R4[ElevenLabs]
Q3 -->|否| Q6{自主可控?}
Q6 -->|是| R5[LiveKit + Pipecat]
Q6 -->|否| R6[OpenAI Realtime API]
end
style R1 fill:#ff9999
style R2 fill:#ffcc99
style R3 fill:#99ff99
style R4 fill:#99ccff
style R5 fill:#cc99ff
style R6 fill:#ff99ff
语音Agent赛道的变现路径清晰且多元:
产品化路径:基于Vapi/Retell搭建垂直行业语音Agent(医疗预约、法律咨询、教育答疑),按通话量或订阅收费。单个垂直场景月收入潜力$5K-50K。Bland已验证外呼场景的商业模型——其客户平均每月节省60%客服人力成本。
训练营路径:Voice Agent开发技能需求暴增,但系统性教学稀缺。课程结构建议——模块一:语音Agent架构原理(ASR/LLM/TTS管道);模块二:Pipecat实战(从零搭建语音助手);模块三:电话集成(SIP/PSTN/WebRTC);模块四:生产部署(延迟优化、监控、合规)。定价$299-499,目标学员为有Python基础的开发者。
咨询路径:企业语音Agent迁移咨询——从传统IVR迁移到AI Voice Agent。单项目咨询费$10K-50K,涉及架构设计、供应商选型、合规审查、迁移实施。市场需求旺盛——据AI Voice Research 2026报告,78%的企业计划在12个月内评估或部署AI语音Agent。
短期(6个月内):端到端模型将主导浏览器/Web场景,但电话场景仍以编排层为主——SIP/PSTN集成的工程复杂度不会被模型能力覆盖。Deepgram Flux和类似产品将把语义Turn Detection变成行业标准。
中期(12个月):语音Agent将融合视觉能力——通过摄像头观察用户表情和手势,实现真正的多模态交互。Gemini Live已支持视觉输入,OpenAI Realtime API的视频模式在测试中。这将催生"视频Agent"新品类。
长期(24个月):语音Agent将成为企业标配,传统IVR系统将像传真机一样被淘汰。关键催化因素:端到端模型延迟降至200ms以下(达到人类对话水平)、定价降至$0.03/分钟以下、多语言覆盖达到50+。
[!tip] 51学通信知识星球 星主:爱卫生(微信:gprshome201101)——公众号「51学通信」创办者,19 年通信行业运维与讲师经验,著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书(各大电商平台有售)。 星球定位:深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域,主打运维岗位与信令分析。 当前规模:5200 篇主题 / 990 个回答,198 元/年。 加入福利:加入星球后请加爱卫生微信,拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题,另有群内分享。 AI 加持:51学通信知识星球已作为 skill 接入 WorkBuddy,使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例,做总结、找文档和 PPT 等场景全覆盖。
