用途：构建实时语音应用，从语音智能体到语音功能型应用，围绕延迟预算、音频质量与用户体验做架构与选型。
主要能力与可选用法：使用 OpenAI Realtime API 实现 GPT-4o 原生语音到语音，通过 WebSocket 连接 wss://api.openai.com/v1/realtime?model=gpt-4o-realtime-preview，配置 modalities、voice、PCM16 音频格式、server_vad 轮次检测与工具调用；使用 Vapi 搭建托管语音智能体，支持助手创建、function-call 与 end-of-call-report 等 webhook 事件、外呼电话与 WebRTC 网页通话；用 Deepgram 做实时转写（nova-2、interim_results、vad_events）配合 ElevenLabs 合成（eleven_turbo_v2_5 流式输出）；以 LiveKit 与 WebRTC 处理实时音频。
关键实践：全链路流式（STT 中间结果、LLM token 流、TTS 分块，LLM 未结束即开始 TTS）；做打断（barge-in）检测，用 VAD 识别用户说话并立即停止 TTS、清空音频队列；避免单一供应商锁定，按场景组合 STT、TTS 与 LLM。
限制：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。需要 Python 或 Node.js、各供应商 API 密钥及音频处理知识。具体价格、平台支持范围与效果本文暂未提供。