在构建真正的对话式人工智能时，延迟是影响用户体验的关键因素。为了实现实时的双向交互，C-Fararoni 生态系统采用了两种独立的文本转语音（TTS）后端，均在 Metal GPU 上执行推理，但架构路径截然不同。传统的 Java 音频栈和 JNI 桥接常常引入非确定性延迟，导致交互显得机械化。为了解决这一问题，选择直接与硬件进行交互，绕过了传统的抽象层，从而提高了系统的响应速度和流畅性。...