一套语音系统能否实时工作，不只由模型一次前向的平均耗时决定。时间延迟估计是否稳定、全双工何时真正结束一轮、稀疏计算是否转化为硬件节省，都会改变系统在连续交互中的实际行为。
延迟估计不是一个固定的峰值搜索问题
QK-GCC: Learnable Query-Key Spectral Matching for Robust Time Delay Estimation 从广义互相关出发，以可学习的 query-key 频谱匹配重构时延估计。传统 GCC 的优点是结构明确，却容易受频带、混响和干扰的权重选择影响；可学习匹配试图让不同频率成分的贡献随输入改变。任何此类方法都应同时报告定位误差、置信度校准和失配时的失败形态，因为对下游波束形成或回声控制而言，一个自信但错误的时延往往比暂时不更新更危险。
全双工的端点需要理解交互语义
FD-VAD: Semantic Endpoint Detection for Streaming Full-Duplex Speech 将端点检测从“有没有声音”推进到“此刻是否适合交还话轮”。全双工条件下，短暂停顿不一定是结束，用户插话也不必然意味着上一轮应被截断。语义端点检测若能结合持续语音与对话状态，就有机会减少过早打断和无谓等待；但它也必须接受不同语言、思考停顿、重叠说话和噪声触发下的检验。端点是交互决策，而不仅是 VAD 的阈值。
稀疏只有在数据搬运也变少时才算节能
Zephyr: An Efficient Audio Denoising System Using Spiking Neural Networks 将脉冲网络稀疏性与 FPGA 处理单元结合，目标是让大量零活动真正减少乘加与存储访问。它提出的系统问题比“脉冲网络是否更像生物神经元”更直接：稀疏激活是否被编译器、阵列调度和片上存储利用，还是只在论文中表现为较低的理论操作数？同样的标准适用于 DuSpaR：其双状态稀疏循环单元以反馈调制输入、跳过零元素，并在 KWS、语义理解与增强任务中报告相近精度下的有效计算下降。
快速生成不能只靠缩短轨迹
Teacher-Free Self-Distilled Consistency Trajectory Learning for Fast Speech Enhancement 关注以一致性轨迹减少生成式增强的采样负担。与教师蒸馏不同，它试图在没有外部大教师的条件下自蒸馏出更短的生成路径。这里应谨慎区分两种“快”：采样步数少，不必然代表端到端延迟低；若特征编码、缓存、解码或内存移动占主导，轨迹压缩的收益可能被吞没。快速模型应与同一硬件、同一帧长、同一质量门槛下的基线比较。
时间、端点与计算稀疏性看似分属不同层，却共享一个工程原则：所有节省都必须回到连续时钟上验证。只有当定位误差、交互等待、状态更新和硬件执行都被放进同一条时间线，实时性才是系统属性，而不是几项彼此孤立的指标。