实测对比电话场景下两种语音 Agent 的成本与效果

作者在真实电话通话中对比了两类语音 Agent：一类是 STT+LLM+TTS 的 pipeline 架构，另一类是 speech to speech 架构，让两者各自通话约 2 分钟。实测中 pipeline 方案成本约为 3 cents a min，speech to speech 方案接近 6 cents a min，但后者声音更接近真人。