低延迟不是更快地猜：EOU / Barge-in / Turn Protocol 必须统一（4 种结束 + Generation Fencing + 9 类可复现场景）

低延迟不是更快地猜：EOU、Barge-in 与 Turn Protocol 为什么必须统一

TL;DR

• 场景：语音 Agent 把"停顿 → 提交工具 → 用户打断"误判为"用户取消"，但旧工具请求已越过网络并最终修改生产环境，运行时把成功结果写进历史。问题不是单点失败，而是 EOU、Barge-in、提交、撤销没有共享同一时间线和身份。
• 结论：EOU 不是阈值而是事务；Barge-in 是一组取消而不是一个静音按钮；Turn ID 还不够，必须有 Generation ID 与 cancel_epoch 做 fencing。延迟指标必须和误截断、误延长、陈旧结果共用同一时间锚点，否则所谓低延迟只会让错误更早并发。
• 产出：OPEN/SPECULATIVE/COMMITTED/REVOKED 四态用户轮状态机；session_id/turn_id/generation_id/task_id/cancel_epoch 五键事件信封；可落地的事件信封 JSON；六条全局不变量；九种故障注入场景的可复现测试矩阵；并把"取消、撤销、提交"和"延迟"绑到同一时钟。

版本矩阵

发布边界：协议、状态机和预算属于工程设计；供应商事件名只在对应产品边界内成立，不冒充作者已完成的线上实测。

摘要

语音 Agent 的低延迟不只是缩短静音阈值。EOU 决定何时允许一轮产生后果，Barge-in 决定旧一代工作何时失去提交资格，延迟指标必须证明取消、静音和结果丢弃发生在同一时间线上。本文给出统一 Turn Protocol、Generation fencing、已听前缀和可复现实验方法。

关键词

EOU、Barge-in、Turn Protocol、Generation ID、语音 Agent

目录

• 先把四种“结束”拆开
• EOU 不是一个阈值，而是一笔事务
• Turn ID 还不够，必须有 Generation ID
• Barge-in 是一组取消，不是一个静音按钮
• 状态提交必须以“用户实际听到什么”为准
• 延迟必须和正确性共用时间锚点
• 可复现测试矩阵
• 结论：先定义失效，再谈快

用户说：“把客厅空调调到二十度……”系统在停顿处判定一轮结束，LLM 发出工具调用，TTS 开始播“好的，正在为你……”。用户立刻打断：“算了，先别动。”

音频前端做对了表面上的事：停掉扬声器，清空播放队列。用户听不到旧回答了，界面也显示 Agent 正在听。但旧工具请求已经越过网络。随后，它返回成功，设备真的被调到二十度；运行时还把结果写进会话历史。下一轮模型看到的是“操作已完成”，用户感知到的却是“我已经打断”。这不是单纯的 Barge-in 失败，也不是 TTS 停得不够快，而是旧一轮的执行权没有随着打断一起失效。

这类竞态说明：EOU（End of Utterance，话语结束）、Barge-in 和端到端延迟不是三个可以分别调参的模块。EOU 事件只能提出“用户可能说完”的候选，应用层 EOT（End of Turn）或 turn commit 才把输入从“仍可能修订”提升为“允许执行”；Barge-in 决定哪一代工作从此失去提交资格；延迟指标则必须证明这次提交、撤销、静音和结果丢弃发生在同一条时间线上。三者若不共享 Turn ID、取消契约、状态提交规则和时间锚点，所谓低延迟只会让错误更早并发、更快越过不可逆边界。

先把四种“结束”拆开

工程中最常见的误区，是把所有结束事件都压成一个布尔值final=true。实际系统至少存在四类信号，它们的输入、输出和可证明的事实不同。

Deepgram 的文档把这些边界写得很清楚。其 Endpointing 基于 VAD 检测从语音到静音的转换，达到配置时长后返回speech_final=true；UtteranceEnd则查看 finalized 与 interim 结果中的词时间，在词间空档足够长时独立发事件。两者可以同时启用，也可能先后或只出现其一。¹²因此，把UtteranceEnd当成更高级的speech_final，或者把两者做 OR 后直接执行高风险工具，都会丢掉原始语义。

is_final也不是整轮结束。在 Deepgram 的流式转写中，is_final=true表示某个音频片段的文本不再修订；长输入可能先后产生多个 finalized 片段，而speech_final仍为 false。完整 utterance 需要累计 finalized 片段，再以结束信号决定何时提交。官方示例甚至出现is_final=false、speech_final=true的组合，说明两个字段本来就在不同轴上。¹³“转写分段完成”和“用户整轮完成”必须使用不同状态字段。

供应商命名也不能拼成虚构标准。OpenAI Realtime 把server_vad和semantic_vad都放在 turn detection 配置下：前者按静音分块，后者按用户所说内容估计是否完成，并通过 eagerness 调整等待策略。⁴Deepgram Flux 使用EagerEndOfTurn、TurnResumed、EndOfTurn和turn_index；其eot_threshold、eager_eot_threshold、eot_timeout_ms只适用于 Flux/v2，并非通用参数。⁵LiveKit 又把 VAD、STT endpointing、语义 turn detector、realtime model 内建检测和手动提交列为不同模式。⁶⁷设计内部协议时，可以把它们归一到“候选结束”“恢复说话”“确认结束”等抽象事件，但必须保留provider、provider_event、置信度和原始载荷，不能假设字段同义。

EOU 不是一个阈值，而是一笔事务

EOU 的正确抽象不是“何时调用 LLM”，而是“何时允许这一轮产生可提交后果”。建议把用户轮建模为状态机：

OPEN -> SPECULATIVE -> COMMITTED -> COMPLETED

其中任何尚未完成的状态都可以进入REVOKED；SPECULATIVE还可以因用户续说回到OPEN。候选 EOU 只允许系统做可丢弃的工作，例如启动草稿生成、预取只读数据、准备 TTS 文本切分。确认 EOU 才授予正式提交权：把用户消息写入权威历史、允许有副作用的工具进入 commit 阶段、把可播放回复绑定到当前 generation。

这正是 eager EOT 的真实成本。Deepgram 明确说明，降低 eager 阈值会更早触发，也会产生更多 false starts；若随后收到TurnResumed，在途回复应被取消或丢弃，且 eager 模式会增加 LLM 请求。⁸因而“降低阈值减少等待”只描述了收益的一半。另一半是误截断、无效模型调用、错误工具规划和更多待撤销音频。若运行时没有 speculative/committed 边界，提前几十或几百毫秒启动的草稿就会越过工具与状态提交点，优化立即变成一致性缺陷。

确认也不能只看事件名。一个稳健的提交动作至少应校验：当前turn_id仍处于开放状态；候选所依据的transcript_revision未被后续转写替换；当前 generation 未被打断；供应商事件满足本产品的提交策略；硬超时只作为降级路径而非“语义正确”的证明。Deepgram Flux 保证同一生命周期中EndOfTurn文本与紧邻的EagerEndOfTurn文本匹配，并在续说时先发TurnResumed，这是该供应商的状态机契约，不应外推到其他 STT。⁶

还有一个常被忽略的尾延迟来源：重复 endpointing。LiveKit 文档说明，在 STT 模式下，运行时的min_delay会加在 STT 供应商的 end-of-speech 信号之后。⁹如果 STT 已等一次静音，Agent Runtime 又无条件再等一次，P95/P99 会出现并非模型慢、而是两个结束策略串联造成的“误延长”。所有 EOU 延迟都应分解为供应商检测等待、网络传输、运行时二次等待和提交排队，而不是统称“ASR latency”。

Turn ID 还不够，必须有 Generation ID

一轮用户输入可能触发多次候选提交：第一次短停顿启动草稿，用户续说后撤销；第二次候选又启动新草稿；最终确认才成为正式响应。它们属于同一个turn_id，却不是同一代工作。因此协议至少要有以下关联键：

• session_id：会话范围；
• turn_id：一轮用户意图的逻辑身份；
• generation_id：该轮的一次推理/执行尝试；
• task_id：LLM、工具、TTS、播放等子任务；
• tool_call_id、audio_segment_id：外部调用与可播放片段身份；
• cancel_epoch或 fencing token：用于拒绝旧代迟到结果。

一个可落地的事件信封如下。字段名不是标准，关键是所有层共享同一组身份和时间锚点。

{"session_id":"s-7f","turn_id":"t-18","generation_id":"g-18.2","cancel_epoch":4,"event_id":"e-991","parent_event_id":"e-977","kind":"tool.result","phase":"speculative|committed|revoked|completed","transcript_revision":12,"provider":"internal-or-vendor","provider_event":"raw-event-name","seq":1842,"ts_mono_ns":4829910020031,"ts_wall_utc":"2026-07-23T20:15:31.842Z","payload":{}}

generation_id的核心作用是 fencing，而不只是日志关联。任何异步结果进入 reducer、会话历史、设备状态或播放队列之前，都必须验证：“这个 generation 是否仍是该 turn 的有效持有者，且当前 phase 是否允许这种提交？”验证失败的结果进入stale_result_dropped审计流，不得靠调用方“尽量别返回”来保证安全。

Barge-in 到来时，正确顺序是先在本地原子撤销旧 generation 的提交资格，再向各下游发送取消。伪代码可简化为：

on_interrupt(new_user_audio): old = active_generation atomic: old.phase = REVOKED old.cancel_epoch += 1 deny_future_commits(old) active_generation = open_new_turn_or_generation() fanout_cancel(old) playback_drop(old)

这个顺序解决最危险的竞态：即使工具结果在fanout_cancel之前或期间到达，它也因 fencing 校验失败而不能污染权威状态。反过来，若先发网络取消、后标记本地失效，迟到结果可能正好穿过窗口。

Barge-in 是一组取消，不是一个静音按钮

完整 Barge-in 至少包含五条链路。

第一，检测链路确认用户开始说话，并区分真实语音、回声、环境噪声和短促非语音。检测事件只负责提出 interrupt，不直接证明新一轮已完整。

第二，运行时撤销旧 generation，停止接受其模型 token、工具计划、工具结果和历史写入。对于已经开始的 LLM 请求，发送 provider 支持的 cancel；但本地必须继续丢弃取消后的 token，因为“已发送取消”不等于“远端已经停止”。

第三，工具链路按副作用等级处理。只读工具可以在撤销后直接丢结果；幂等写操作必须携带 idempotency key、turn/generation metadata 和可查询终态；不可逆动作不应在 speculative 阶段发出，必要时采用 prepare/commit、显式确认或补偿事务。gRPC 的官方取消指南指出，库通常不能直接中断应用层 handler，服务端需要主动检查取消并停止处理；向上游的取消传播在不同语言实现中也不完全相同。¹⁰因此客户端的cancel_requested只是意图，不是远端停止执行、停止计费或撤销副作用的证明。协议应区分cancel_observed、cancel_completed、cancel_unsupported、too_late和side_effect_committed。

第四，TTS 生成链路停止继续合成。Deepgram TTS 的Clear清除其服务端内部文本与音频生成缓冲，并尽快停止发送新音频块；它不代表浏览器、移动端、电话网关或声卡里的已收音频被清除。¹¹

第五，播放链路立即停当前 source，清掉所有属于旧 generation 的排队 chunk，并拒绝取消后迟到的音频。Deepgram Voice Agent 的UserStartedSpeaking也明确要求客户端停播并丢弃缓冲，但这仍是客户端侧动作。¹²Web Audio 规范规定，AudioScheduledSourceNode.stop()后该 source 输出静音，但这只描述本地音频节点，不会替你取消远端模型、工具或 TTS。¹³即使在 WebRTC 层调用removeTrack或replaceTrack(null)，规范定义的也是停止媒体发送，不会自动传播成 Agent Runtime 的模型或工具取消。¹⁴Deepgram 的AgentAudioDone也只表示服务端发完最后一个音频块，不表示用户已经听完；客户端仍需观察本地输出队列。¹⁵

供应商在这里有不同责任边界。OpenAI Realtime 的 WebRTC/SIP 连接由服务端掌握输出缓冲，可在用户打断时自动截断未播放音频；WebSocket 连接则由客户端管理播放，客户端必须停播、记录已播放时长，并发送conversation.item.truncate删除未听部分。¹⁶Twilio 双向 Media Streams 的clear会清空其缓冲音频；mark既可能因音频正常播完返回，也可能因缓冲被 clear 返回，所以应用仍要记录清空原因与 generation 状态，不能把收到 mark 一律解释为“用户听完”。¹⁷LiveKit 的默认中断路径会停止讲话并把历史截到用户实际听到的部分，这是框架语义，不是 WebRTC 本身提供的事务保证。⁷

由此可得一个硬规则：停止声音、停止生成、停止执行、停止提交是四个独立动作。Barge-in 必须把它们绑定到同一个取消域，但不能把任一动作的成功当作其他动作已经成功。

状态提交必须以“用户实际听到什么”为准

语音 Agent 的会话历史不应只记录“模型生成了什么”，而应区分：

1. 模型生成文本；
2. TTS 已生成音频；
3. 音频已进入播放队列；
4. 音频实际播放到哪个 sample 或毫秒位置；
5. 哪一部分因打断被截断。

否则下一轮模型会以为用户听过整段旧回答，产生“如我刚才所说”之类的错位。OpenAI 的 WebSocket 截断流程要求客户端记录已播放时长，正是因为服务端不知道耳端进度。¹⁶Deepgram 也明确区分服务端发完音频与用户听完音频。¹⁵

建议把 assistant 输出拆成generated_content、delivered_prefix和committed_history。模型 token 可以持续写入临时缓冲；只有可映射到已播放音频的前缀进入 delivered 记录。发生中断时，权威历史提交 heard prefix，未听部分标为 revoked。文本与音频无法精确对齐时，不要伪造逐字截断；保留音频播放游标、原始文本、对齐置信度和截断策略，让后续模型知道这是近似历史。

工具状态也要分层：tool_planned、tool_dispatched、tool_side_effect_committed、tool_result_received、tool_result_applied。撤销后收到结果，可以阻止applied，却未必能逆转side_effect_committed。把两个状态混成一个tool_done，正是开篇竞态无法审计的原因。

延迟必须和正确性共用时间锚点

端到端延迟不能只测“用户停说到首包音频”。那会奖励提前误判 EOU、提前启动无效 LLM、提前播出随后被截断的回答。Deepgram 将 transcript latency 与 EOT latency 分开，并提醒 finalized 结果会混入 endpoint 等待；精确 EOT 还需要真实 speech-end 锚点。其文档同时建议看代表性样本上的 P50、P95、P99，而不是单次或平均值。¹⁸

一条可重放时间线至少记录：

audio.user_speech_start_ground_truth audio.user_speech_end_ground_truth vad.speech_started / vad.speech_stopped eou.candidate_received turn.speculative_started turn.resumed turn.committed llm.request_sent / first_token / cancel_sent / cancel_ack / terminal tool.dispatched / cancel_sent / side_effect_committed / result_received / result_applied tts.request_sent / first_audio_received / clear_sent / cleared playback.enqueued / first_sample / last_sample / queue_cleared / output_silent barge_in.ground_truth_start / detected / generation_revoked stale_result_dropped

同一进程的时长用 monotonic clock 计算，跨节点关联保留 UTC wall clock、时钟同步状态和单调seq。不要直接拿供应商词时间戳当毫秒级墙钟；Deepgram 明确说明其 transcriptstart、duration不保证适合精确延迟测量。¹⁸其 Voice Agent 可观测性指南也建议给每个收发帧加自有时间戳和序列号，并保存 function call、barge-in 与 latency 事件。¹⁹

核心指标应成组发布：

• EOU commit latency：turn.committed - speech_end_ground_truth；
• response-to-ear：playback.first_sample - speech_end_ground_truth；
• barge detection latency：barge_in.detected - barge_in.ground_truth_start；
• residual playback：playback.output_silent - barge_in.ground_truth_start，并另报从 detection 起算的系统处置时长；
• cancel propagation：从 generation revoked 到 LLM、tool、TTS、playback 各自 terminal/ack；
• false truncation rate：标注仍属同一用户轮，却已提交或开始不可逆执行的比例；
• false extension rate：标注已结束，但提交超过产品自定 SLO 的比例；
• speculative waste：被撤销的模型请求、token、TTS 音频和未播放字节；
• stale tool execution：generation 撤销后仍开始或完成副作用的次数；
• stale result drop：迟到结果被 fencing 拒绝的次数。

P50 说明常态，P95/P99 暴露抖动、排队、网络与重复 endpointing；误截断、误延长、残留播放和 stale tool execution 则约束“快但错”。这些指标必须按语言、噪声、回声、设备、网络、句式和打断位置分层，不能用一个平均延迟掩盖尾部竞态。

可复现测试矩阵

测试不需要虚构“线上二百轮”。更可靠的做法是用双轨音频语料、确定性 fake service 和故障注入构造可重复实验：一轨是用户近讲，另一轨是 Agent 扬声器回灌；语料带人工标注的 speech start、speech end、意图边界和 barge-in 起点。Fake LLM、tool、TTS 可配置首包延迟、取消是否协作、结果乱序、重复投递和“副作用已提交后才收到取消”。网络层注入 jitter、丢包、重连与跨通道乱序。

除场景断言外，还应做六条全局不变量测试：被撤销 generation 的结果永不进入权威历史；不可逆工具默认不得在 speculative phase 发出；旧 generation 音频在 queue clear 后不能再次入队；每个 generation 只有一个终态；每次副作用都有幂等键和可查询终态；用户历史与实际听到的前缀一致。只要其中一条不成立，低延迟数据就不具备发布价值。

结论：先定义失效，再谈快

实时语音系统的关键单位不是 ASR 请求、LLM 请求或一段 TTS 音频，而是带身份、阶段和提交权的一代 turn execution。EOU 提出或确认一次提交；Barge-in 撤销旧代提交权；LLM、工具、TTS 和播放器通过同一个 generation fencing 决定结果是否仍可进入系统；可观测性用同一组时间锚点证明撤销是否及时、尾部是否稳定、旧结果是否被隔离。

没有这层 Turn Protocol，团队会得到一组彼此“优化成功”的局部指标：ASR 更早 final，LLM 更早发请求，TTS 更早出首包，播放器更快静音。与此同时，误截断增加、无效调用增加、旧工具继续执行、历史记录与用户耳中内容分叉。协议的作用不是让系统变慢，而是把推测、提交、撤销和交付变成可验证的状态变化。只有在旧工作能够被可靠失效之后，提前计算才是真正的低延迟，而不是更快地产生竞态。

FAQ

VAD 检测到静音后能不能直接调用工具？

不建议。VAD 只证明声学活动变化，应先进入可撤销候选阶段；有副作用工具需要确认提交和代际校验。

收到取消请求是否代表远端任务已经停止？

不代表。取消可能只是表达不再需要结果，远端 handler 仍可能执行，因此还需要 fencing 和提交前有效性检查。

低延迟最重要的单一指标是什么？

没有单一指标。结束延迟必须与误截断、误延长、打断静音和陈旧结果一起观察。

参考资料

错误速查卡