語音模型分兩條線：ASR 線由 Whisper 主導——2022/09 以 MIT 開源 1.55B 模型把轉錄成本打到趨近於零，v2→v3→turbo（decoder 32 層砍到 4 層）之後 OpenAI 轉閉源推 gpt-4o-transcribe；TTS 線則是 ElevenLabs 用品質與生態從新創做到 $11B 估值、$500M ARR，開源陣營靠 Kokoro（82M、Apache 2.0）與 Chatterbox 守住自架陣地。即時對話已被 speech-to-speech 的 Realtime API 重寫遊戲規則。
Cartesia 的核心是 Sonic 即時 TTS、Ink STT 與串流推論；雖然 2026 年已有 Line voice-agent 平台，選型時仍要分清模型層與電話 orchestration，並把 voice cloning 同意、資料保存與 fallback 自己設計好。
第 8 週接著講語音：聲音怎麼產生、怎麼從波形變成模型吃的 log mel 頻譜、Whisper 怎麼用 encoder-decoder 和 cross-attention 把聲音轉成文字。PA6b 把文字轉成語音再轉回來，分析哪些資訊不見了。實作課四介紹 PA7 的 agent 流程並教小組用 GitHub 協作。
Deepgram 把 streaming STT、LLM orchestration、turn detection、barge-in 與 streaming TTS 放進單一 WebSocket，也保留分開採用語音模型或 BYO LLM／TTS 的路徑。
ElevenLabs 已從 TTS 供應商擴成 ElevenAgents 平台：Scribe Realtime 收音、Flash 合成語音，再把 LLM、turn-taking、工具與電話整合收進同一條即時管線；選型關鍵是你要聲音品質，還是整個 agent 控制面。
Vapi 把電話與 Web 音訊、STT、LLM、TTS、tool calls 和 call observability 接成託管 voice runtime；可換 provider，卻不能搬走 Vapi 專屬的即時編排。官方 2026-05 自報已有 100 萬名開發者，並宣布 5,000 萬美元 B 輪。