E001 本地可打断语音

状态：recommended
对照基线：agent24 bc923205，AgentEar 17e911b
分析：深入分析
部署设计：解决方案
AgentEar：AgentEar 基线

结论

部分借鉴。Mac 学校机不要新起 Pipecat。AgentEar 已经有采集、SenseVoice、默认 VoxCPM2，以及 A3 上的 _a24/model/complete。缺的是播放时用语音打断，和附着推理的流式与取消。64GB 仍是一路级联，不是原生全双工。Windows 档 AgentEar 跑不了，仍用原来的 S2 到 S5，那不是第一刀。

档	第一名	打断	并发
Mac 64GB	在 AgentEar 上补语音打断。TTS 已经是 VoxCPM2-4bit。识别先沿用 SenseVoice	今天只有按键打断。补上后是级联 barge-in。原生全双工：否	未测。设计目标 1 路
Mac 128GB	S1，ASR 升到 1.7B，LLM 加大，VoxCPM2-8bit 常驻	同上	未测。仍按 1 路验收，余量留给上下文
Mac 256GB	S1 仍是产品路径。Moshi MLX q8 只作英语陪练旁路	产品路径同上。Moshi 才是原生全双工	未测
Windows，64GB 内存 + 24GB 级 GPU	S2：同一级联，TTS 用 VoxCPM2（官方 RTX 4090 RTF）	级联 barge-in，可	未测。设计目标 1 路
Windows，128GB + 48GB 级 GPU	S3：S2 的 TTS 换成 MOSS-TTS-Realtime，LLM 放进 GPU	级联 barge-in，可	未测
Windows，256GB + 80GB 级 GPU	S4：SGLang-Omni 级联（Qwen3-ASR + LLM + Qwen3-TTS）。MiniCPM-o 4.5 只作实验	级联可打断。MiniCPM-o 才是原生全双工	未在本校测过。官方材料给的是服务槽位，不是学生人数
1 张 H200	S4。博客作者写过级联每卡 16 路准入上限，见分析稿，不当成学校承诺	级联可打断	同上
2 张 H100	S5：Qwen3-Omni 轮次式，说话时可被掐断，模型并不边听边说	可打断，非原生全双工	SGLang 把短对话 `max_sessions` 写成 4，见分析稿

值不值得借

判断：partly
原因：学校要本地、中英、可打断。AgentEar 已经是这条本地链路，模型也在 Apache-2.0 上。agent24 的 run_loop 接不上音频时钟，而且 AgentEar 附着时本来就没有走 run_loop。

当前架构是否撑得住

判断：部分支持
证据：取消入口在 rust/crates/agent24-agent/src/lib.rs 的 cancel_run（约第 1686 行）。/api/v1/events 拒绝带 Origin 的浏览器升级（rust/apps/agent24d/src/events.rs 第 72-79 行）。run_loop 在没有工具调用时才发一次 ModelDelta，文本是整段答案（同文件约第 3017-3026 行）。上限 MAX_ITERATIONS = 10（第 62 行）。daemon 只绑 127.0.0.1。
缺的缝：AgentEar 的 HostLlm 非流式。$/cancelRequest 只在 RPC 超时发出。播放期间的麦克风监听没有接上。agent24-worker 的转写仍然没有产品调用方。

演进步骤

在 AgentEar 的 Speaking 相加一条监听。检出开口就走现成的 stop_playback 和 on_barge_in，并取消还在飞的 _a24/model/complete。
附着时的闲聊仍可走本机边车流式。要工具时再 model_complete。语音回合不要等人点批准。
在 64GB Mac 上量误打断和首字。扬声器不过关就先要求耳机。
浏览器多学生和 Windows 档另立，不放进第一刀。原生全双工仍不进 run_loop。

工作量

规模：Mac 试点从 L 降到 M。含浏览器教室时仍是 L。
人日：见下表。旧数字是假设从零写网关。新数字是改 AgentEar。
主要工作在：src/main.rs 的按键路径、src/session.rs、src/a3.rs 的取消、src/host.rs 的 HostLlm。不先改 agent24 的 lib.rs。

阶段	旧（人日）	新（人日）	原因
P0 听、想、说并打断	5 到 8	3 到 5	采集、识别、VoxCPM2、按键打断都在。新的是播放时用语音触发同一套掐断
P1 接上 agent24 并能取消	4 到 6	2 到 4	A3 和 `model_complete` 已通。新的是开口时取消这次 RPC，并避免整句挡住首字
P2 浏览器教室	6 到 10	6 到 10	AgentEar 没有浏览器和 Windows。这项没有变少
Mac 试点合计（P0+P1）	9 到 14	5 到 9
含教室浏览器	20 到 30	11 到 19

产品与用户影响

好处：学生在校园网内用中文或英文说话，可打断，回答能走本机 agent24，音频不需要出校。
代价：第一版要耳机或做好回声处理，否则扬声器会被当成打断。等待批准的工具会让对话停住。64GB 档不承诺多路同时说话。

风险

正确性或安全：网关若把音频或提示送到非 loopback 模型，就破坏 LocalOnly。浏览器不能直连 daemon 的 WebSocket。
交付：VoxCPM2 的 MLX RTF 在公开卡片上没有写清机型，不能直接当成 64GB Max 的延迟。MOSS-Live 不能离线部署。
不做的风险：通话仍要等整句，并且只能再按一次键才能停。

建议的第一步

在 AgentEar 里，播放回答时打开监听。开口就调用已经存在的 talk::stop_playback 和 host::on_barge_in。先用耳机。输入法按键、A3 配对和本机 VoxCPM2 播放必须仍然成立。误打断次数记下来，再决定要不要取消飞行中的 model_complete。

学校本地可打断语音

原始记录

深入分析

解决方案

建议