西班牙语电话谈判语音智能体实测:Pipecat、LiveKit 与 GPT-Live 对比
一项研究对比了三种语音智能体架构在西班牙语货运费率电话谈判中的表现:Pipecat 与 LiveKit Agents 编排的级联方案(语音识别+语言模型+语音合成),以及 OpenAI 的 GPT-Live 端到端语音模型。测试用同一说话人的 47 段录音模拟承运商,每种架构跑 77 通电话、覆盖 5 个谈判场景,在听者一侧测量延迟。内容响应中位延迟为 2,616.0 ms(Pipecat)、3,090.0 ms(LiveKit)、2,444.8 ms(GPT-Live),GPT-Live 相对 Pipecat 的 171.2 ms 优势置信区间包含零,统计上不显著。机制拆解显示,GPT-Live 按自身时间戳在线路结束后 800 ms 开始应答,接近 OpenAI 公布的 0.8 s;剩余等待中约 1,367 ms 近乎恒定,是音频在 OpenAI 服务中的往返开销。工具调用在所有架构中都增加 0.9-1.1 s,超过架构间任何差异;框架自报延迟比听者实际等待低 9%(Pipecat)和 22%(LiveKit)。识别词错率很低(6.03%、4.93%、1.47%),但级联方案在金额上的错误率达 13.01% 和 12.61%,GPT-Live 仅 2.86%。默认设置下 Pipecat 和 LiveKit 几乎在每次附和时都停顿并常误当作回答:对方抢话说的"ok"在 15 通 Pipecat 电话中有 3 通被登记为达成的协议,LiveKit 有 2 通,GPT-Live 为 0。研究结论是延迟应在听者一侧测量,级联方案需要为口头金额和附和处理增加保护机制。
当前结论
做电话语音智能体的开发者应该看看这篇:三种主流架构实打实跑了 77 通西语谈判电话。级联方案在金额识别上错 13%,对方一句"ok"抢话就可能被当成成交,GPT-Live 两种问题都没有,但音频往返 OpenAI 多花约 1.4 秒。
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。