语音代理通过语音交互，核心是语音转文本、语言处理、文本转语音三阶段流水线。相比文本代理，它更重延迟、无视觉格式、需处理打断，且错误会逐层累积。文章提出七阶段学习路线：理解流水线、语言处理、流式架构、对话设计、工具与记忆、部署评估、进阶专题，建议按序学习。