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。