好奇想了解豆包、GPT 语音实时对话是如何做的，体验上除了智能外，其他因素还蛮多的。

自己想做一个产品，跟这个紧密相关。

早在 23 年 GPT 刚发布的时候，我用它当时的 Whisper 模型尝试过，基础体验很差（很明显，当时的技术还不成熟）。

现在我体验豆包、跟 GPT 的实时语音聊天，感觉已经非常好了：语气、延时、对用户打断的判断、实时的智能输出。

我跟 GPT 最新大模型聊了大概几天，最后的方案简单描述就是：

1. 客户端收集录音并上传至语音模型服务，获取文字解析结果（输入内容可能是模糊或复杂的，所以需要语言模型识别，而不是单纯的语音转文字）。
2. 将文字结果加上特定上下文，发送给语言模型，获取回答。
3. 将回答发送给语音模型获取音频，并播放给用户。

这种方案会有很多细节需要注意，例如延时、用户打断、意图判断、上下文管理等。

延时也会很高，所以想请教：还有其他方向吗？