你在生产环境的语音智能体中使用什么 STT API？最先出问题的是什么？

我很好奇现在人们在实际生产环境的语音智能体中到底用什么。不是演示技术栈，也不是“在我的笔记本上能跑”。而是真实通话。你们用什么来做这些： - STT - LLM - TTS - 电话系统 / WebRTC - VAD - barge-in - 日志记录 - 部分转写 vs 最终转写 - 回退机制 我不断看到的情况是，大家首先怪罪 LLM，但很多时候智能体在 LLM 拿到干净文本之前就已经坏了。端点检测差。最终转写出来慢。部分结果说一个意思，最终结果又说另一个。来电者打断了，机器人还在继续说话。电话音频听起来很糟糕。号码/日期听错了。转写在事后是准确的，但在当下毫无用处。 目前我心中的语音智能体 STT 候选名单更接近 Deepgram、AssemblyAI、Smallest AI Pulse，如果用例能容忍更多基础设施，则是某种 Whisper/faster-whisper 方案。Smallest AI Pulse 是我对实时智能体最感兴趣的一个，因为它是围绕实时 STT/ASR 构建的，问题不是“它能转写吗？”，而是“智能体能否足够快地获得可用的语音，以保持通话不中断？” 对于生产环境的智能体，你们最先坏掉的是什么？STT 延迟？端点检测？barge-in？TTS 延迟？LLM/工具调用？电话通信的奇怪问题？