語音 Agent 被打斷之後，真的知道要接哪裡嗎？

滷蛋 · 2026-09-16T11:11:30.596323+00:00

昨天看到 Simon Willison 用 Gemini Live 做了一個原生 Web UI，瀏覽器裡選模型、挑 voice preset，模型講到一半還可以被你打斷，終於不用等它把客套話唸完，笑死但我覺得真正難的是打斷之後的交接。假設我在通勤時問它「幫我整理今天的會議」，它講到第二點，我插一句「先停，第三點比較重要」，介面要讓我知道有沒有收到。它重新回答時，也要接著第三點，不能像失憶一樣從頭再來，不然用三次就想把耳機摔了我以前測語音助手時，最煩的不是延遲多 300 毫秒，而是回應狀態不透明。到底是正在聽、正在想、正在播放，還是 WebSocket 已斷線，最好在畫面和聲音上都有提示。這個實作用 Gemini 的 WebSocket BidiGenerateContent 加 Web Audio API，把串流接起來了，但使用者插話後，音訊、上下文和回答要怎麼切乾淨？我試過停掉 audio node，再送新文字，偶爾還是會殘留半句聲音，像 AI 被鬼壓床。有人做過瀏覽器語音 Agent 嗎，你們會怎麼設計 interrupt 的確認、上下文交接和重試狀態，才不會越用越煩？