实时语音同传延迟测试台

已扣除源音频头部静音 / 底噪——客户真实录音开头约 0.74s 没有说话（呼吸与环境噪声），TTS 语料也有 0.26–0.30s 静音头。首 Token / 首帧语音一律自实际开口（20ms 窗 RMS>1000 能量检测）起计，各语料扣除量在事件日志中标明。

已移除英文译文自身的播放时长——"整句完成 / 端到端"取决于英文有多长（Hello. 很短、长句要念十几秒），不同句子间不可比，这两项指标已从页面移除。

不计入连接建立开销——WebSocket 建连（65–90ms）与会话就绪（60–96ms）发生在音频发送之前，不进入首 Token 计时；数值单独显示在页顶。

不计入浏览器到本站的网络往返——计时全部在美国服务端完成，您与 Cloud Run 之间的距离只影响页面上结果出现的快慢，不影响任何数值。

模型固有首 Token 间隔恒定（实测 2.60–2.72s）——从实际开口到第一个译文 token 的间隔，在 1.2s 短句到 16.9s 长段落上都基本相同：模型不等整句说完，而是按"落后说话人约 2.6 秒"的同传节奏持续输出。把同一段音频以远快于实时的速度灌入（突发上传）时首 Token 仅约 1.5s，说明这个间隔主要是"需要听到足够时长的语音"，不是网络或算力瓶颈。（黑盒实测结论，非官方公布参数）

调参无效会话参数无法压缩该间隔——已实测 VAD 灵敏度（start/end HIGH）、静音判定 silenceDurationMs 100/200/300ms、prefixPaddingMs 10–50ms、分块 20–200ms、转写开关等组合，首 Token 差异均 <0.1s（噪声范围内）。

物理约束音频按说话速率实时推送——1.8 秒的话必须用 1.8 秒发完（模拟真人说话），这部分时间是语音本身的时长，不是系统延迟。