为什么开启实时语音对话时，OpenHuman 的回复会有 2 到 3 秒的明显延迟？

这个延迟是由语音流传输的经典“三段式损耗”造成的。首先，你的声音需要被本地或云端的 STT 模型转译成文本（耗时约 500ms）；接着，这段文本连同庞大的记忆树上下文会被发送给大模型进行推理生成回复（耗时约 1-1.5s）；最后，AI 吐出的文字还要经过 TTS 模型合成为音频流播放出来（约 500ms）。如果你想将延迟压缩到 1 秒以内，请在设置中强制开启“Streaming Audio（流式音频生成）”，并确保大模型使用推理极快的节点（如 Groq）。