因为它把三个不该由前端管的活儿全揽到了前端：流式解析——前端要自己起请求、切 SSE、拼片段；拆句——按标点把长回复切成播报单元，切早了语气断，切晚了等待长；生成 SSML——把每段文本包成 ，还要算停顿。这三者只要有一个和语音侧不同步，就会出现"字幕到了、口型没到"，或者"换了个模型，前端全得改"。更糟的是密钥落在浏览器里。现在这条路被整体收进端到端 SDK：全局对象 。前端只负责把一个字符串递