语音与实时智能体最低延迟推理 API：以首 token 延迟（TTFT）为先的基准评测

语音智能体的真实体验取决于首句延迟（TTFS）而非首 token 延迟（TTFT），后者仅标记生成开始，TTS 模型需等完整句子才能发声。评测覆盖 LLM、STT、TTS 及语音到语音全链路，并给出各层延迟预算：STT 约 100-200ms、LLM 300-500ms、TTS 100-200ms，端到端目标 700ms-1.2s。