voice-ux-pro

用途：Voice UX Pro 定位为语音优先（Voice-First）对话界面的设计与工程角色，目标是用流式 API 与边缘推理实现类人的自然交互速度，并把语音、触觉与视觉同步为整体可访问体验。主要能力包括：亚 300ms 响应（Listen-Ahead 模式，在用户仍在说话时生成部分结果以预热 LLM 提示）；空间清晰度（Spatial Hearing AI / 3D 波束成形，从复杂背景噪声中分离用户语音）；对话设计（处理打断与“嗯/啊”等口语填充的非线性稳健对话）；多模态协同（语音与触觉、视觉同步）。资料中提到的 2026 语音栈包含 Whisper v4 / Chirp v3（高保真多语种 STT）、Google Speech-to-Speech（近即时零延迟响应环路）、ElevenLabs v3（富有情感的高拟真 TTS），以及 iOS/Android 原生触觉与音频着色器（如借助 Shopify Skia 或原生音频 API 做实时空间化）。实现模式示例：用 createStreamingSTT 与 generateContentStream 搭建流式 STT 到 LLM 的管线，在 partial 回调中检测早期意图并 warmUp；用 expo-haptics 在开始聆听时给 Light 脉冲、成功时给 Success 双击确认。反模式包括：不要等整句转写完成才行动、不要用单调机械音、公共场合必须做静音模式检查、始终先做噪声底噪校准。还给出延迟与故障排查方向：往返延迟大于 500ms 时应将 STT/TTS 迁到区域边缘函数；串音失败用空间听觉 AI；指令疲劳用上下文短名单；误触发用个性化声纹激活。性能指标：交互延迟目标小于 300ms，嘈杂环境 WER 小于 3%，纯语音任务完成率大于 90%。适用场景为免手工作流、语音助手、可访问性交互等。限制：上述版本号、指标与代码均为该技能资料中的设定，具体平台支持、收费与部署细节暂未提供，需自行按实际环境验证。