孩子問一句「恐龍爲什麼會滅絕」，玩具停了一秒多才開口。很多家長的第一反應是「模型不夠聰明」，可這段停頓跟聰明沒什麼關系，它屬於整條語音鏈路的固定開銷：聲音得先被聽見、被判句結束、轉成文字、送進模型、模型吐出第一個字，最後再合成聲音播出來。每一段都省不掉，加起來就是你耳朵聽到的那一兩秒。
這一兩秒，分給了五道關
先看行業裏的普遍水平。生成式 AI 玩具走雲端的時候，從說完到開口通常在 1000 到 2500 毫秒；換成在設備本地處理，同樣一件事只要 10 到 50 毫秒（KEYi Robot，2026）。差距這麼大，是因爲端側只幹輕活——運動控制、預設指令、簡單的喚醒判斷，一旦要正經聊天，音頻還是得送出去。
拆開看，第一道關是判斷「說完了沒有」。主流做法靠靜音檢測：OpenAI 的實時語音接口默認要等 500 毫秒靜音才認定這一輪結束，前面還留着 300 毫秒的前置緩衝（2026）。也就是說孩子剛閉上嘴，系統還願意再等半秒看有沒有下文。這半秒常常是整條鏈裏最大的一塊，而且它買到的是「不搶話」的體驗——省掉它，玩具就會在孩子換氣的瞬間插嘴。
接下來是語音轉文字、模型吐出第一個字、語音合成產出第一段音頻，再加一次網絡往返。傳統的「轉寫—理解—合成」三段式管線，端到端跑出 2 到 5 秒並不稀奇；把控時目標放在 800 毫秒以下、接口首字節壓在 500 毫秒上下的團隊，會把剩下的 300 毫秒留給採集、靜音檢測、網絡和播放（2026）。
端側和雲端的賬，怎麼算才不喫虧
業內正在收斂的解法是分攤，而不是全押一邊。2026 年 9 月在衆籌上快速起量的 GENiEX 就把推理分成了兩層：輕量的閒聊交給設備上的小模型，復雜問題才升級到雲端大模型，用戶還能在 Instant、Medium、High 三檔之間切換，用響應速度換回答深度；公開參數裏它重 28 克、單次充電續航約 8 小時。這種切法的好處是前端語音棧不用跟着基礎模型換代重訓。
爲什麼值得爲延遲較真？因爲人耳的容忍度比想象中低。真人對話的輪次間隔通常在 200 到 400 毫秒，AI 一旦超過 800 毫秒，大腦就會讀成掉線或卡頓（2026）。還有個更隱蔽的代價：Scale AI 的研究發現，同一個模型從原生音頻降級回級聯管線之後，在靠語氣、背景聲和打斷來判分的對話裏，通過率相對掉了 30.3%（2026）。說白了，丟的不只是速度，還有聽懂情緒的能力，而孩子對這種變化最敏感。
如果你在採購或者挑產品，有三個問題值得直接問：延遲的測試口徑是「說完到開口」還是「接口首字節」，這兩個數能差出一倍；斷網之後還剩什麼能力；打斷是怎麼處理的——回聲消除做不好，玩具會把自己的聲音當成孩子在說話，於是越說越亂。國內語音模組廠商給出的選型基線，是把端到端 1.5 到 2 秒當作行業普遍水平、0.5 秒以內算優秀（廠商 2026 年披露）。如果對方連數字量到哪一段都說不清，這個數基本不用信。