语音 Agent 架构之争：做语音 Agent 延迟高还调不动工具？端到端 Speech‑to‑Speech 看着很强，为何做不好 Agent 工具调用？完整源

📋总体概括

文章聚焦语音Agent的架构路线之争：传统级联式方案（ASR+LLM+TTS）延迟高、工程链路长，而端到端Speech-to-Speech模型虽然对话流畅自然，却在工具调用等Agent能力上表现不足。这一矛盾揭示了语音交互自然性与任务执行可靠性之间的取舍：端到端压缩了延迟、保留了副语言信息，但把规划与函数调用能力让渡给了纯对话生成，如何让Speech-to-Speech同时具备强工具调用能力，成为当前语音Agent落地的核心难题。