外观
语音助手从“听见一句话”到“回答并执行”，经过哪些环节？
标准回答
语音链路通常包括拾音、语音活动检测、识别成文字、理解意图、执行或生成回答、语音合成播放。实际系统可采用不同模型组合，但每个阶段的输入、延迟和取消规则都要明确。
- 分别观察拾音结束、识别结果、意图就绪、动作反馈和首段播报的时间。
- 处理噪声、多人说话、音区、音频焦点及播报时再次说话的打断。
- 离线能力按实际识别和合成引擎验证，关键失败提供触摸操作入口。
通俗例子
用户说“把副驾温度调到 23 度”，系统不仅要识别 23，还要识别“副驾”这个区域。回复应与真实控制结果一致；用户说“算了”时，需要停止当前播报，并按设备协议处理尚未完成的任务。
深入解释
**缩写分别指什么：**VAD 判断何时有人说话；ASR 把语音转文字；意图理解确定对象与动作；TTS 把文字变成声音。不同产品可合并某些模型环节，但业务责任仍需说清。
**端到端为什么会慢：**收音结束判断、识别、理解、工具执行和播报都可能增加等待。分阶段记时间，才知道应该优化识别等待、服务查询还是播报准备。
易混淆点
ASR 识别正确只解决“听写”；还需要正确理解区域、动作和上下文。
内容来源
- Android · AI Agent 知识手册 · 原条目
job-P02