此前的报告矩阵已覆盖 ASR、EOU、TTS、LLM 四个单点组件，本篇补上中心空洞：编排框架（开源）、语音 Agent 平台（商业）、端到端语音模型（S2S）三条路线的横评与决策，面向东南亚 + 拉美外呼/呼入业务。
Pipecat 13,416★ ＞ LiveKit Agents 11,356★ ＞ TEN Framework 10,898★。三者均在万星以上且活跃迭代——热度不是差异点，设计哲学才是：Pipecat 是"管线"（frame processor 流水线），LiveKit 是"平台"（WebRTC 基础设施 + Agent 层），TEN 是"图"（跨语言节点图编排，Agora 支持）。
↔ 表格可横向滑动 ｜ 综合 thinnest.ai（注意：其商业产品建于 LiveKit 上，立场已校正）、Evalgent、Soniox wiki、各官方文档交叉核对
| 维度 | LiveKit Agents | Pipecat | TEN Framework | Vocode | Bolna |
|---|---|---|---|---|---|
| 协议 / 背书 | Apache 2.0 · LiveKit Inc（融资 $83M+） | BSD-2 · Daily.co | Apache 2.0 · Agora 支持 | MIT · Vocode Inc | MIT · 印度团队 |
| 核心抽象 | WebRTC 房间 + Agent | 帧处理器管线 | 跨语言节点图 | 流式 STT→LLM→TTS 封装 | 意见化外呼工作流 |
| 语言 | Python 主 / Node 次 | Python | Python / C++ / Go | Python / TypeScript | Python |
| 电话 / SIP | 原生 SIP + 自有号码产品，一等公民 | △ 走 Twilio（多经 Pipecat Cloud） | △ 插件 | Twilio / Vonage 一等（含外呼、转接、DTMF） | Twilio / Plivo / Exotel（印度线路） |
| 话轮检测 | 可配置 VAD 阈值 + 自研 turn detector 模型 | Smart Turn（语义判停）原生集成 | 自带 VAD / Turn Detection 子项目 | 基础 VAD | 基础 |
| 托管选项 | LiveKit Cloud（Agent 会话约 $0.01/min，SIP 约 $0.003–0.004/min） | Pipecat Cloud（2026 GA，多区域 + Krisp 降噪） | 仅自托管 | Vocode Cloud | 仅自托管 |
| 多模态（视频/视觉） | ✓ | ✓ | ✓ | 语音为主 | 语音为主 |
| 插件生态 | 最大（全主流 STT/LLM/TTS） | 大 | 较少 | 较少 | 少（Sarvam/印度栈特化） |
| 成熟度 | 最高 | 高 | 较新，生产案例少 | 近一年动能下降 | 中，规模化验证少 |
建议：原型阶段用 Pipecat（复用 smart-turn 资产，迭代最快）；进入生产外呼、需要对接自有 SIP 线路时迁移或直接起 LiveKit Agents。两者组件模型相近，STT/LLM/TTS 供应商配置可平移。
thinnest.ai 的五强对比写得最全，但其商业产品构建在 LiveKit 上、面向印度市场卖托管——它对 LiveKit 的"最佳生产"评级与对自托管成本（6–9 个月工程量）的渲染需打折看待；Evalgent 卖语音 Agent 测试服务，其"框架不解决测试"的结论同样有立场。本篇仅采用两者的事实性参数（协议、SIP 能力、托管定价），评级结论已用官方文档交叉校正。
↔ 数据来自 tested.media 2026-03 实测（每平台 500 通生产通话 + 200 人盲测；该站为代理商，绝对值仅供对标，相对排序可参考）
| 维度 | Retell AI | Vapi | Bland AI | Synthflow |
|---|---|---|---|---|
| 定位 | 代码优先 · 呼入质量 | 代码优先 · 最灵活（BYO ASR/LLM/TTS） | 外呼特化 · 拨号器最强 | 无代码 · 最快上线 |
| 单价区间 | $0.07–0.18/min | $0.05–0.20/min（平台费 $0.05 + 模型按成本价） | $0.09–0.24/min（打包价；Build/Scale 档另收 $299/$499 月费） | $0.13–0.20/min |
| 中位延迟 | 680ms | 720ms（可调优） | 850ms | 920ms |
| 工具调用准确率 | 99.2% | 98.5% | 96.0% | 97.0% |
| 多语言 | 9 种 | 30+ 种 | 4 种 | 12 种 |
| 外呼拨号器 | 基础 | 基础 | 品类最强 + 原生 SMS 组合 | 基础 |
| 自托管 | ✗ | 部分 | ✗ | ✗ |
主要依据 LiveKit 官方架构指南（其同时销售两条路线的托管，立场相对中性），并与 arXiv 2603.05413（企业级实时语音 Agent 论文）、Coval 分析交叉验证
| 维度 | 级联 STT→LLM→TTS | S2S 端到端 |
|---|---|---|
| 上手速度 | △ 组件多、需编排 | ✓ 一个模型搞定 |
| 延迟 | △ 需流式重叠调优后达标 | ✓ 结构性优势（250–500ms） |
| 话轮检测 | ✓ 可自选/自训判停模型（Smart Turn 等） | ✗ 只能用内置，定制受限 |
| 语音自然度 | △ 靠 TTS，丢失语气信息 | ✓ 听得见迟疑/情绪并回应 |
| 工具调用可靠性 | ✓ 成熟文本 FC，准确率高 | ✗ 音频路径 FC 更新、更弱，部分模型调用时静默阻塞 |
| 可控性 / 调试 | ✓ 每层有文本可日志、可归因 | ✗ 黑盒，音频进音频出 |
| 成本 | ✓ 每层独立优化、可分级路由 | △ 按音频秒计费，随上下文膨胀 |
| 电话适配（8kHz G.711） | ✓ 可选电话优化 STT | ✗ 模型训练于 16–48kHz 网络音频，电话场景可靠性下降 |
| 合规 / 数据驻留 | ✓ 可分区域选组件、文本层脱敏 PII | ✗ 集中于少数美国厂商，难以插入脱敏与审计 |
↔ 面向东南亚/拉美业务的关键筛选维度：语种覆盖 + Function Calling + 定价
| 模型 | 语种覆盖 | Function Calling | 定价信号 | 对我们的可用性 |
|---|---|---|---|---|
| gpt-realtime-2.1 OpenAI · WebRTC/SIP/WS |
多语种（Realtime 系 70+ 语言，含泰/印尼/越/西/葡；小语种质量需实测） | ✓ 支持 MCP、非阻塞调用 | $32/1M 音频输入 + $64/1M 输出 ≈ $0.05/min（基础口径）；缓存命中输入降 99%；mini 版约 $0.016/min | △ 呼入灰度可试；原生 SIP 接入是亮点，但数据出境需评估 |
| Qwen3.5-Omni Realtime 阿里百炼 · WebSocket |
113 种输入语种；29 种语音输出（含泰/印尼/越/马来/他加禄/西/葡） | ✓ plus/flash-realtime 均支持（并支持联网搜索，二选一） | flash 版走轻量价；另有 qwen-audio-3.0-realtime 专语音版（语义 VAD smart_turn + FC） | ✓ 语种覆盖最贴合业务；新加坡区可用性需按 SEA/拉美 LLM 报告的区域结论复核 |
| 豆包端到端实时语音 3.0 火山引擎 Seeduplex · WS |
仅中文、英语 | △ 原生全双工、动态判停是亮点 | 按模式计费（对话式/播报式两种） | ✗ 语种即淘汰：东南亚/拉美语种不支持，仅适合国内中文业务线 |
| MiniMax Realtime API Speech 2.6 生成链路 |
多语种 TTS 见长 | △ 资料有限 | 端到端延迟宣称 <250ms | △ 注意：MiniMax 无公开 ASR API（前期已核实），其 realtime 生态偏生成侧 |
| Gemini Live Google · WebSocket |
多语种（Live Translate 支持 70+ 语言） | ✓ | 按 Vertex 区域定价 | △ 参考 SEA/拉美 LLM 报告：新加坡 Vertex 可用性尚可，巴西侧需复核 |
$0.05/min 是"基础口径"：每轮对话会重复计入增长中的上下文，长通话未做缓存时实际成本可达基础口径的 2–5 倍。三个必做动作：① 系统提示词与工具定义字节级稳定以保命中缓存（缓存输入 $0.40/1M，降 99%）；② 静音也计费——挂机检测、VAD 收音控制必须做；③ 逐通话记录 token 用量并告警，防止 Agent 对着语音信箱空转烧钱。这些工程纪律同样适用于国内厂商的按时长计费模式。
口音、抢话、背景噪声、边角流程会击穿任何框架搭出来的 Agent。行业已出现专门的合成呼叫测试平台：用仿真来电者（可配口音/人设/噪声）批量打电话给你的 Agent，按场景断言 + 指标阈值出回归报告。主要玩家：Hamming（企业级，自动生成场景 + 回放生产通话 + 50+ 指标，SOC 2）、Coval（快速仿真评测）、Cekura、Evalgent（五原语：Scenario/Profile/Metric/Evaluation/Review）、Braintrust/Roark（评测平台延伸）。
| 场景 | 推荐路线 | 理由 |
|---|---|---|
| 东南亚/拉美外呼主链路（生产） | LiveKit Agents 级联自建 推荐 | 原生 SIP 对接自有线路；判停/ASR/TTS 按语种自选（衔接 EOU/ASR/TTS 三篇报告结论）；文本层可审计 |
| 原型验证 / 新场景实验 | Pipecat | 管线抽象最快；Smart Turn 同门直用；本机已有 smart-turn 资产 |
| 呼入客服体验增强实验 | 半级联：Qwen3.5-Omni Realtime 听 + 自选 TTS 说 | 语种覆盖贴合（泰/印尼/越/西/葡）；FC 可用；输出可控 |
| 国内中文业务线 | 豆包端到端 3.0 灰度 | 原生全双工 + 动态判停，中文体验第一梯队；仅限中英 |
| 体验对标基准 | Vapi / Retell 测试账号 | 托管路线工程上限参照（680ms 中位延迟、99.2% FC 准确率） |
| 多 Agent 复杂图编排研究 | TEN Framework | 图模型表达力强；接受较新生态的粗糙度 |
| 上线前回归验证 | 自建合成呼叫测试（qwen-bench/soniox-bench 方法平移），量大再评估 Hamming/Coval | 先零成本起步；平台价值在并发仿真与生产通话回放 |
本篇是"骨架"，四肢在既有报告：判停选型见 EOU 多语种选型；ASR 见 开源 ASR 部署 与 asr-bench 看板；TTS 见 流式 TTS 全景；LLM 与区域可用性见 SEA/拉美大模型调研；线路对接见东南亚/拉美两篇线路调研。