当用户说一句话，声音传到 ASR，ASR 转成文字发给 LLM，LLM 返回文本给 TTS，TTS 生成音频给渲染引擎——这个延迟在人类对话容忍阈值（200ms）的 2-3 倍范围内，虽然不是实时，但已经进入"可接受"的流畅对话区间。用户不再会感到明显的"等待感"。从"文本传递"升级为"操作传递"，延迟从秒级降到毫秒级。你问一句话，对方沉默3秒后才开始回答——这种"慢半拍"会让用户本能地降低交互意