用途：面向语音 AI 架构设计的技能，帮助构建能自然对话的生产级语音智能体，关注延迟这一核心问题——各组件毫秒数累加决定对话是否自然。
主要能力与概念标签：voice-agents、speech-to-speech、speech-to-text、text-to-speech、conversational-ai、voice-activity-detection、turn-taking、barge-in-detection、voice-interfaces。
两种架构：一是语音到语音（S2S）模型，如 OpenAI Realtime API，直接音频到音频处理，延迟最低并能保留情绪，但可控性较弱；二是流水线架构（STT→LLM→TTS），每一步可单独控制，但会增加延迟。
模式：Speech-to-Speech 架构、Pipeline 架构、语音活动检测模式（检测用户开始/停止说话）。
反模式：忽略延迟预算、仅静音式轮次检测、响应过长。
注意事项按严重级别给出方向性提示：critical 级别为测量并为每个组件分配延迟预算；high 级别包括目标抖动指标、使用语义 VAD、实现打断检测；medium 级别包括在提示中约束响应长度、要求口播格式、处理噪声、缓解 STT 错误。
相关技能：与 agent-tool-builder、multi-agent-orchestration、llm-architect、backend 配合良好。具体安装命令、代码实现与价格信息暂未提供。