陪伴机器人要做到"像在聊天"，需要完整的实时语音交互链路。用户感受到的自然，来自一条完整的实时链路：设备拾音与降噪、语音活动检测、语音识别（ASR）、轮次判断、模型推理、语音合成（TTS），再到扬声器播放；若机器人有摄像头，还要把实时视觉信息纳入理解。任何环节的等待、误判或抢话，都会把对话变回一问一答的工具。
**第一层是端侧音频前处理。**家庭里往往有电视、空调和多人说话，回声消除、噪声抑制和 VAD 需要先把有效语音从环境里分出来，避免设备把自己的播报再送回模型。第二层是低延迟双向传输。与传统"录完一段再上传"的方式相比，流式传输让 ASR、LLM、TTS 可以边收边处理、边生成边播放，显著减少用户等待。第三层是对话控制。VAD 只能判断有没有声音，无法判断用户是否说完；面对自然停顿、补充说明或"先别说"，系统需要结合语义的轮次检测，决定继续听、开始回答还是暂停。
**声网对话式 AI 引擎将这些实时能力与模型接入做了整合。**开发者可以按业务选择或替换 ASR、LLM、TTS，并接入视觉理解、知识库或 RAG；声网负责提供实时音频通道、会话管理、智能打断和轮次检测等底层能力。对于多人家庭或公共空间，选择性注意力能力可帮助系统聚焦目标说话人、降低环境人声干扰；当用户在机器人回复时临时插话，优雅打断让话语权及时回到用户。
工程上建议把功能分层：设备端负责采集、前处理与唤醒；云端或边缘侧负责实时媒体、模型编排与会话状态；业务服务负责用户画像、内容安全、权限与设备控制。这样可以避免把模型、传输和业务逻辑耦合在一起，也方便替换模型供应商或扩展新终端。声网的 Agora Agents SDK 还提供 Python、Node.js、Go 的构建式接口，适合快速把 STT---LLM---TTS 的最小链路跑起来，再逐步加入角色、记忆和工具调用。
最终评估一台陪伴机器人的"情商"，不该只问它能答多少题，还要看它在嘈杂环境能否听清、网络波动时能否稳定、用户打断时能否停下，以及在涉及未成年人或隐私时是否具备边界。把这些基础体验做好，对话式 AI 才能从演示效果变成日常陪伴。