多模态融合不是简单加权 —— 语音（partial ASR + 韵律 + 静默）和文本（候选人简历 + JD + 知识库）必须按段动态调权，单一固定权重在面试场景 Recall 掉 18-23%。

5 段链路 各自必须有独立预算：VAD(80ms) + ASR 流式首包(280ms) + Prompt 装配(40ms) + LLM 首 Token(600ms) + TTS 首包(200ms)

模型选型：默认 large-v3 → 换成 distil-whisper-large-v3 (蒸馏版)，精度损失 < 1.5% WER，推理速度 5.4×

系统音频采集走 OS 层（macOS Core Audio Tap / Windows WASAPI Loopback），绕开浏览器，600ms → 200ms

实时语音问答场景对延迟极度敏感。面试官问完问题到候选人开口回答，通常只有2-3秒的思考缓冲。本文从ASR、LLM推理、网络传输三个层面，拆解实时面试辅助系统（面试copilot）把端到端延迟从常见的2-3秒压缩到1秒以内的工程实现。