「智能音箱听懂你说话」这件事，模型只占一环。 Demo 把一个请求拆成七段，端到端 816 毫秒：等你说完（判尾）占 36.8%，是最大的一块； 真正的语音识别只占 11.8%。
这是全书第一节。 先把「人工智能」从概念拉到一条时间线上——你对着音箱说一句话，中间到底发生了什么。
一、一个请求，七段路
对着智能音箱说「明天天气怎么样」，它不是「一下听懂了」，而是走了七段：确认你开始说话、 确认你说完了、把声音转成字、判断你想干什么、查资料、把答案合成语音、再加上网络往返。 Demo 用一段 120 帧、每帧 20 毫秒（合计 2.4 秒）的合成音频模拟这句话： 第 18 帧（360 毫秒处）能量越过阈值，第 77 帧（1540 毫秒处）话音结束。 七段相加 816 毫秒。注意这是「用户说完到听见回应」的时间，不含他自己说话的那 1.18 秒。 所以第一件要建立的认识是：「AI 能力」和「AI 体验」不是一回事。 识别准确率再高，判尾多等半秒，用户就觉得它笨。
二、最大的一块不在模型里
拆开看：判尾 300 毫秒（36.8%）、TTS 首帧 150 毫秒（18.4%）、ASR 识别 96 毫秒（11.8%）、 网络往返 90 毫秒、检索 80 毫秒、VAD 确认 60 毫秒、意图分类 40 毫秒。 最大的两项加起来超过一半，而且都不是「模型推理」——一个是等静音，一个是等第一个音素合成出来。 把判尾从 300 毫秒压到 100 毫秒，端到端立刻掉到 616 毫秒。 代价是用户句中一停顿就被打断，体验反而更差。 这就是「能对话」和「能自然对话」之间那道坎：它不在模型精度里，在时序设计里。 这也是训练师要参与的事——决定「多等多久算说完」，本质是拿数据定阈值。
三、那「AI」到底在哪一段
七段里真正用到训练出来的模型的是三段：ASR（声学模型＋语言模型）、意图分类（文本分类模型）、 TTS（声学模型）。其余四段是工程与时序。 所以一个产品的「智能感」，是三段模型加四段工程一起给的。只调模型不调时序，用户感觉不到； 只调时序不调模型，用户会立刻发现「它听不懂」。 后面十章会分别落到这三段上：训练数据怎么来（第七章）、模型怎么训（第四、五、八章）、 效果怎么评（第九章）、怎么上线（第十章）。
四、动手 Demo：七段相加，最贵的一段是「等你说话」
造一段 2.4 秒的音频能量序列，用阈值找出话音起止位置，再把语音助手的七个环节按耗时排开， 算每段占端到端多少。最后算一次「把判尾压短」的收益与代价。
frame_ms = 20
voice = energy > 0.02 # 能量过阈值的帧算「有声」
first = int(np.argmax(voice)) # 第一帧有声的位置
confirm = 3 # 连判 3 帧才认「开始了」
stages = [(u'VAD 确认', confirm * frame_ms),
(u'端点检测', 300), (u'ASR 识别 8 个字', 8 * 12), ...]
total = sum(v for _, v in stages)
实跑输出：
--------------------------------------------------------------------
一句话要过五道手：唤醒、判尾、识别、理解、合成
--------------------------------------------------------------------
音频总长 120 帧 × 20 毫秒 = 2400 毫秒
能量阈值 0.020（静止底噪约 0.0038）
话音起点 第 18 帧（360 毫秒处）
话音终点 第 77 帧（1540 毫秒处）
阶段 耗时（毫秒） 占端到端
----------------------------------------------
VAD 确认（连判 3 帧） 60 7.4%
端点检测（等静音） 300 36.8%
ASR 识别 8 个字 96 11.8%
NLU 意图分类 40 4.9%
知识库检索 80 9.8%
TTS 合成首帧 150 18.4%
网络往返 2 次 90 11.0%
端到端首字延迟 816 毫秒
用户说完到听见回应 816 毫秒（不含说话本身）
最大的一块 端点检测（等静音）（300 毫秒，36.8%）
判尾那 300 毫秒买的是「用户真的说完了」这个确认。把它压到 100 毫秒，
端到端就掉到 616 毫秒；代价是用户句中一停顿就被打断。
这就是「能对话」和「能自然对话」之间那道坎——它不在模型里，在时序里。
输出里话音起点是第 18 帧（360 毫秒），终点是第 77 帧（1540 毫秒）——音频一共 120 帧 2400 毫秒， 所以前后各留了一段静音。 七段合计 816 毫秒，最大的一块是判尾的 300 毫秒，占 36.8%。ASR 那一段只有 96 毫秒，占 11.8%。 把判尾压到 100 毫秒，总时长变成 616 毫秒——省下整整两百毫秒，但代价写在正文里： 句中停顿会被当成说完了。 这几个数字都是我给的工程估算（每字 12 毫秒、TTS 首帧 150 毫秒之类），不是任何厂商的实测。 它们的用处是让你看清比例，而不是让你记住某个具体毫秒数。
30 秒实验
- 对着手机语音助手说一句带停顿的话，看它会不会在你停顿处抢答。
- 把 Demo 里 ASR 的每字耗时改成 30 毫秒，算端到端变成多少。
- 想一想：为什么「不说话超过 N 秒就挂断」这个 N，不能定得太小也不能太大？
常见误区
- 「AI 就是模型」——模型只占七段里的三段，其余是时序与工程。
- 「延迟高就换更大的模型」——本例里最大的一块跟模型无关。
- 「判尾越短越灵敏」——短到 100 毫秒就会把正常停顿当结束。
自测三问（点开对答案）
1. 一次语音交互里，端到端最耗时的一段通常是哪一段？ —— 等用户说完的「判尾」，本例占 36.8%，比识别本身大得多。 2. 「能对话」和「能自然对话」差在哪？ —— 差在时序设计：判尾多久、能不能打断、首帧多快出来。 3. 七段里哪几段真的用到训练出来的模型？ —— ASR、意图分类、TTS 三段，其余是工程与时序。看清一个请求之后，下一步是问：这些能力是怎么分出层级的。
- ☐ （本节完，下一节 1.1.2 层级分类：解析人工智能的能力）