为什么 AI 语音交互适合用 WebSocket 而不是 HTTP？

AI 语音交互适合用 WebSocket 是因为其业务特性需要持续的双向通信。语音助手需要持续上传音频、接收结果，还要处理用户打断，WebSocket 的全双工通信特性天然适合这类双向交互场景。与 HTTP 请求-响应模式不同，WebSocket 建连后可以持续双向传输数据，避免每次交互都重新建立连接带来的延迟。在典型的 ASR、Agent、模型和 TTS 组成的级联语音架构中，音频流需要实时上传进行语音识别，识别结果传递给 Agent 和模型处理，最终通过 TTS 返回语音回复——整个过程在一个连接中完成。实时多模态模型可能合并部分环节，但双向通信的需求不变。