比较 TTS 串接式与 speech-to-speech 两种语音客服架构的延迟、可控性与成本,并说明如何在 AI SNS CHAT 中落地。
想给客服加上语音,却被两个词搞糊涂了:一个是“文字转语音(TTS)”,一个是“speech-to-speech(语音直接对语音)”。两者听起来都是“AI 开口说话”,但架构、成本和可控性差别很大。本文用客服场景的角度,帮你看清差异、避开常见误区,并给出一份可直接使用的选型清单。
两种架构,同一个目标
不管用哪种架构,目标都一样:客户开口提问,AI 听懂,给出正确的回答,并用自然的声音说出来。
差别在于“中间怎么处理”:
- TTS 串接式(cascaded):先把语音转成文字,再让文字型 AI 生成答案,最后把答案文字合成为声音。三个环节各自独立。
- speech-to-speech:一个模型直接接收语音、直接输出语音,中间不一定经过完整的文字稿。
打个比方:TTS 串接式像是“速记员 + 专家 + 播音员”三人接力;speech-to-speech 像是一位能听会说的同事,当场听当场答。
对跨境电商和华语企业来说,这个选择会直接影响客户体验,也会影响你能否沿用现有的知识库、人设和转人工规则。
TTS 串接式是怎么运作的
串接式的流程很清晰,每一步都可以单独检查、单独替换。
- 01客户说话
- 02语音转文字
- 03文字型 AI 生成回答
- 04文字转语音播放
它的优点
- 可控:中间有一份文字稿,你可以看到 AI 听到了什么、回答了什么,方便审查和排错。
- 复用现有文字客服:同一套知识库、人设、护栏和转人工规则,可以直接用在语音上。
- 模型可替换:文字模型、声音供应商可以分别挑选,不被单一厂商锁定。
- 声音选择多:可以选不同供应商、不同音色,甚至定制品牌声音。
它的缺点
- 延迟叠加:三个环节串行,每一步都会增加等待时间。
- 语气信息容易丢失:转成文字后,客户的犹豫、着急、笑声这类语气线索被压缩了。
- 打断处理较复杂:客户中途插话时,系统需要及时停止播放并重新听。
speech-to-speech 是怎么运作的
speech-to-speech 把“听、想、说”整合到一个实时模型里。客户的声音以流的形式送进去,回答的声音以流的形式送出来。
它的优点
- 对话更自然:停顿、插话、语气起伏通常处理得更流畅,更像真人通话。
- 延迟通常更低:少了中间的串接,来回更快。
- 能感知语气:模型直接接触声音,对情绪线索更敏感。
它的缺点
- 可控性较弱:没有那么清晰的“中间文字稿”可以逐步检查。
- 依赖单一供应商:整条链路由一个实时模型承担,出问题时不容易就地切换。
- 成本结构不同:实时语音通常按通话时长计费,长通话会累积得比较快。
- 知识库对齐更需验证:要确认它回答时确实遵守了你的资料与规则。
并排比较
一句话总结:串接式胜在“看得见、管得住、换得了”;speech-to-speech 胜在“说得顺、反应快”。
对客服来说,什么最重要
选架构之前,先问自己:客服场景最怕什么?
1. 答案正确,胜过声音好听
客户打电话问退货政策、运费、订单状态,最重要的是答对。如果你的政策经常更新,能快速审查 AI 说了什么、依据哪份资料,比“声音像真人”更有价值。
2. 能不能顺利转人工
语音对话里,客户一旦着急就要尽快转到真人。无论哪种架构,都要确认转人工规则、值班安排和提醒渠道是否一并就绪。
3. 多语言与口音
华语客户群体常常夹杂普通话、粤语口音、英语和马来语词汇。上线前一定要用真实的口音和用词做测试,而不是只听官方示范。
4. 成本是否可预期
假设一家店每月有 300 通电话,平均每通 4 分钟,那就是 1,200 分钟。如果每分钟消耗固定数量的额度,总量很容易估算;但如果通话变长、客户反复追问,成本会随之上升。这只是演算示例,实际数字请以你的方案和用量为准。
5. 客户到底需不需要语音
不少客户其实更习惯在 WhatsApp、WeChat、LINE 或网站聊天里打字。语音是一个渠道选项,不是所有场景都必须有。
按使用场景来选
| 场景 | 更适合的方向 | 原因 |
|---|---|---|
| 订单、物流、退换货等有明确规则的咨询 | TTS 串接式 | 需要依据资料作答,并可事后审查 |
| 需要品牌专属声音或多种音色 | TTS 串接式 | 声音供应商选择更多 |
| 希望沿用现有文字客服的知识库与护栏 | TTS 串接式 | 同一套内容直接复用 |
| 对自然度要求高、希望客户可随时插话 | speech-to-speech | 实时对话体验更流畅 |
| 内部演示、体验型对话、助手类场景 | speech-to-speech | 重视交互感而非严格流程 |
| 批量外呼、通知类电话 | 先用串接式小规模测试 | 先验证话术与合规,再扩大 |
很多团队最后会采用“混合”做法:对规则明确、需要审查的场景用串接式;对强调自然互动的场景试用 speech-to-speech,并保留可退回的方案。
一份实用的决策清单
上线前,逐项勾选:
- 目标:语音要解决的是哪类问题?查询、预约、售后,还是外呼通知?
- 资料:知识库是否已经整理好,文字客服是否已经答得准?
- 渠道:客户真的会打电话吗?还是主要在 WhatsApp、WeChat、LINE、网站聊天?
- 语言:需要支持哪些语言与口音?是否用真实录音测试过?
- 审查:需要保留文字记录来复盘吗?
- 后备:如果实时模型不可用,有没有可切换的方案?
- 转人工:谁在值班?提醒发到哪里?客户听到什么说明?
- 成本:按预估通话分钟数,算过额度消耗吗?
- 合规:外呼是否有明确的同意与退出机制?
- 试运行:先用测试环境和少量真实通话,再扩大范围。
在 AI SNS CHAT 中怎么做
AI SNS CHAT 的语音功能集中在侧边栏的 Voice 菜单下,包含概览、分析、Voice agent、Avatar、Voice Playground、来电、通话记录、外呼、Voice / SIP 等入口。
串接式(TTS)
文字转语音支持多家供应商:Grok/xAI(默认)、OpenAI(gpt-4o-mini-tts)、ElevenLabs,以及浏览器语音。选用 ElevenLabs 时,可以使用声音库、声音设计和声音克隆。因为回答来自同一个文字型智能体,所以你在 Data sources 中准备的资料、人设与护栏可以直接沿用。
speech-to-speech
Synthia 的 speech-to-speech 使用 OpenAI Realtime API,仅限 OpenAI,没有备用方案。系统另外提供 Grok 的语音对语音模式,默认只会回应账户拥有者。Synthia 是管理智能体的 AI 助手(侧边栏 Synthia,以及每个后台页面的气泡),可用语音或文字操作,并能带你逐屏导览。
电话与外呼
- 来电:每个智能体可连接一个 Twilio 号码,并提供 webhook 自检与自动修复。
- 外呼:批量活动需要 Twilio 号码,必须先做测试通话,并且可以在进行中停止。
- SIP 中继:设置可以保存,但目前没有找到使用这些设置的通话路径,请不要依赖它。
- WhatsApp 语音与托管电话号码:仍是候补名单或“即将推出”状态。
聊天渠道与转人工
文字渠道包括网站聊天组件、WeChat、WhatsApp、LINE、Telegram、Messenger 等,完整列表见 /connections。转人工可在 Helpdesk → Scheduling 设置班次,系统会按值班表自动分配,并通过 Slack、Teams、LINE WORKS、WhatsApp、邮件或 webhook 提醒;系统不会编造等待时间。
计费
文字回复每条消耗 1 个额度。语音按分钟计费,每分钟消耗的额度由管理员设置(Private AI 报价中为每分钟 4 个额度)。各方案详情见 /pricing,功能总览见 /features。
建议顺序:先在 Playground 和 Voice Playground 中测试,再接入来电,最后才做外呼。
常见问题
speech-to-speech 一定比 TTS 好吗?
不一定。speech-to-speech 在自然度和响应速度上有优势,但串接式更容易审查、复用现有文字客服规则,并可分别更换模型与声音。规则明确、需要留痕的客服场景,串接式往往更稳妥。
我现有的文字智能体可以直接用于语音吗?
串接式的思路就是复用文字智能体,知识库、人设和护栏都可沿用。但语音回答要更短、更口语,建议在 Voice Playground 中试听并调整。speech-to-speech 则需要另外验证是否遵守你的规则。
AI SNS CHAT 为 speech-to-speech 提供备用方案吗?
Synthia 的 speech-to-speech 使用 OpenAI Realtime API,仅限 OpenAI,没有备用。如果你需要更高的可用性,可以让客户通话走串接式的 TTS 路径,它有多家声音供应商可选。
WhatsApp 或 Messenger 客服需要语音吗?
多数情况下不需要。这些渠道的客户习惯打字,文字客服已能覆盖大部分需求。WhatsApp 语音目前也只有候补名单,不是现成功能。
语音成本该怎么估算?
先估算每月通话总分钟数,再乘以每分钟消耗的额度。例如每月 1,200 分钟,若每分钟消耗 4 个额度,就是 4,800 个额度(仅为演算示例)。实际每分钟额度由管理员设定,请以你的方案为准。

