实时语音交互设计

当语音模型有了独立的代际迭代并直接驱动核心产品（如 GPT-Live 之于 ChatGPT Voice），语音就不再是文字界面的附属输入法，而是需要独立设计的交互形态。这项技能覆盖三个层面：一是对话节奏——首响应延迟的预算与填充策略（确认音、语气词）、轮次边界的判定、用户打断时的截断与恢复；二是模态分工——哪些信息适合说出来、哪些应该回落到屏幕（长列表、代码、需要核对的数字），避免把视觉信息硬塞进语音通道；三是失败兜底——识别错误、网络抖动和模型答非所问时的重述、澄清与升级路径。评估语音产品时不能只测「答对了没有」，还要测被打断后的行为和静默时的表现。