用途：本技能定位为“语音 AI 架构师”，面向构建实时语音应用的开发场景，从实时语音智能体到语音功能集成应用均适用。核心关注点是延迟预算、音频质量与用户体验，主张按场景组合不同供应商，并持续优化感知响应速度。
主要能力：OpenAI Realtime API 的原生语音到语音（GPT-4o）；Vapi 语音智能体（可用于电话类智能体与快速部署）；Deepgram 实时语音识别与 ElevenLabs 语音合成；LiveKit 实时基础设施；WebRTC 音频处理；语音智能体设计与延迟优化。
使用方式：需要 Python 或 Node.js、各供应商的 API 密钥以及音频处理知识。典型模式包括：用 WebSocket 连接 OpenAI Realtime API，通过 session.update 配置模态、音色、输入输出音频格式、input_audio_transcription、server_vad 轮次检测与 function 工具，再用 input_audio_buffer.append 推送 base64 编码的 PCM16 音频并接收事件；用 Vapi 创建 assistant（配置 model、voice、firstMessage、transcriber），通过 webhook 处理 function-call 与 end-of-call-report 等事件，并发起外呼或 WebRTC 网页通话；用 Deepgram 的 live 连接做流式转写（nova-2、smart_format、interim_results、utterance_end_ms、vad_events、linear16、16000 采样率），用 ElevenLabs 的流式合成（如 eleven_turbo_v2_5、pcm_24000）或 WebSocket 实现最低延迟。
反模式提醒：避免非流式管线（应让语音识别出中间结果、LLM 逐 token 流式输出、TTS 分块流式播放，并在 LLM 完成前就开始 TTS）；避免忽略用户打断（需用 VAD 实现 barge-in，立即停止 TTS 并清空音频队列）；避免单一供应商锁定（可组合 Deepgram 做识别、ElevenLabs 做合成、OpenAI 或 Anthropic 做 LLM）。
适用场景与限制：适合实时语音智能体、电话客服、语音交互应用等。资料未提供具体价格与收费信息；延迟因供应商而异，按分钟计费会累积，质量受网络影响，调试较复杂。相关技能可与 langgraph、structured-output、langfuse 配合使用。