本文提出一套低延迟边云系统，集成六种流式视频VLM后端，共享ASR/TTS与统一编排，支持实时语音交互。实验显示，在合适后端与WebRTC传输下，首句VLM文本延迟约0.9–1.0秒，首段TTS音频约1.3–1.5秒。研究表明实时视频理解是分层系统问题，VLM到TTS交接尤为关键，低首token延迟并不保证快速语音响应。

谷歌Gemini 3.8 Live与Extended Thinking已上线AI Gateway。Live支持实时音频、视觉定位、97种语言自动切换及后台工具调用；Extended Thinking增加与语音并行的多步推理，可边回应边播报进度。两者均可通过AI SDK实时API接入，需安装Gateway提供商和WebSocket客户端，获取短期令牌后连接使用。

谷歌发布了Gemini 3.1 Flash Live预览版，旨在实现低延迟的实时语音交互。该模型通过原生音频处理提升了嘈杂环境中的语音识别准确性，并支持双向流式传输，允许用户中断对话。同时，开发者可调整推理深度，以优化速度与准确性。

happy 是一款多平台 AI 编码助手，支持实时语音交互和端到端加密，便于远程控制。Antigravity-Manager 管理多账号，支持 OAuth 2.0 授权。cc-switch 集成多种 AI 编程接口，优化用户体验，支持多语言界面。