ElevenLabs vs Cartesia vs Deepgram vs Rime：买的是长尾，不是平均值
这四家宣称的首字节音频时延在 40 到 200 毫秒之间，而独立测试台量到的云端中位数是 188 到 313 毫秒——但真正毁掉一通电话的是离散度而不是中位数，其中一家的抖动接近另一家的四倍。价格在这片市场里相差约 2.5 倍，而它两个都预测不了。长尾是用部署方式买来的。
AI 博客
标签: voice-agents
Deepgram、AssemblyAI、ElevenLabs 与 Speechmatics：你买的是一个话轮检测器
四家之间的词错误率已接近尘埃落定，而那一两个点大多落在意图分类器根本不看的虚词上。真正决定一台语音智能体像不像人的，是话轮结束检测——它比底下的转写延迟大出好几倍，也是这四家真正存在分歧的那一件事。
Google 的智能体打电话给商店，而每一项协议保证都掉了下去
Google 的购物智能体如今会致电本地商店查询库存——而这条信道一样都不承载 AP2 及其竞争方案所要提供的签名身份、受限授权、重放保护与可验证凭证。电话不是通往协议普及路上的权宜之计；它是智能体商务的永久地板，覆盖着那条永远不会实现 API 的商家长尾，而它完全没有任何信任原语。
ElevenLabs、Vapi、Retell 与 OpenAI gpt-realtime：让智能体开口说话的四种下注方式
语音正变成大多数智能体停留时间最久的界面——而四家平台在如何把语音、语言与工具调用合并到一次往返里做了架构上完全相反的下注。选哪一家，关键并非 TTS 音质，而是你掌握的是音频通路、模型本身，还是只能改一下 prompt。