HTTP

1.持续收音：手机麦克风实时采集，基于自适应噪声底的能量检测自动断句，对方停顿0.8秒即判定一句话说完，句首预留300毫秒避免吞字；2.语音识别：整句音频送OpenAI兼容的/audio/transcriptions接口；3.大模型回答：流式调用/chat/completions，保留最近6轮上下文

全链路实时语音：麦克风WebRTC采集→SileroVAD（含500ms预回填，降低开口丢字）→流式STT→LLM流式生成→流式TTS→WebAudio播放；说话即打断（barge-in），用户插话立即停生成、停发声并重新监听，无需等AI说完。Provider中立：STT/LLM/TTS统一接口，1