本地语音链路实测：唤醒到播报的 780 毫秒是怎么省出来的

基线

初始链路：唤醒 → 录音结束检测 → ASR → 模型 → TTS → 播报，端到端 2.1 秒。用户感知上"像在等一个网络请求"。

四个优化点

1. 流式 ASR 提前介入。 不等录音结束，边说边识别，省掉 400ms 的尾等待。

2. TTS 分句合成。 首句生成完立刻播报，后续句子在播放间隙合成，感知时延再降 300ms。

3. 唤醒词与 ASR 共用特征。 两者都基于同一套前端特征提取，避免重复计算，省 120ms。

4. 意图预判。 高频意图（时间、天气、日程）在 ASR 结果稳定前就预取，命中率 34%。

结果

端到端 780ms，其中模型推理仅占 210ms —— 瓶颈从来不在模型，而在流水线的缝隙里。