WebRTC 设计缺陷导致语音 AI 提示词丢包：OpenAI 低延迟语音面临准确性问题
前 Discord 工程师 Luke Curley 指出 WebRTC 为保实时性会丢弃音频包，导致语音 AI 提示词不完整。这对 OpenAI 等依赖 WebRTC 的语音助手意味着用户可能得到错误响应。本文分析技术根源及对中文用户的影响。
一句话看懂
WebRTC 为保低延迟会丢弃音频包，导致语音 AI 提示词不完整，用户可能得到垃圾响应。
详细发生了什么
前 Discord 工程师 Luke Curley 在博客中猛烈批评 WebRTC 在语音 AI 场景下的设计缺陷。他指出，WebRTC 的核心设计目标是为实时通话保持低延迟，因此在网络不佳时会主动丢弃音频包。这在传统电话会议中尚可接受（用户只听到短暂失真），但对于语音 AI 来说，丢失的音频包可能正是提示词的关键部分。
Curley 强调，用户宁愿多等 200ms 也要确保提示词完整准确，因为“垃圾提示词等于垃圾响应”。然而，WebRTC 在浏览器层面甚至不允许重传丢失的音频包——他在 Discord 时已经尝试过，但实现层面硬编码了实时性优先。
该评论直接回应了 OpenAI 发布的《How OpenAI delivers low-latency voice AI at scale》一文。OpenAI 声称通过 WebRTC 实现了低延迟语音交互，但 Curley 认为这恰恰是问题的根源。
中文圈视角
国内用户用得上吗？ 目前国内主流语音 AI 产品（如百度文心一言的语音模式、讯飞星火、阿里通义千问的语音交互）大多也依赖 WebRTC 或类似实时传输协议。如果 WebRTC 存在此缺陷，那么这些产品同样面临提示词丢包风险。
国产替代方案？ 国内厂商更倾向于使用自研的私有协议或基于 QUIC 的传输方案，但尚未公开对比。对于开发者而言，如果正在构建语音 AI 应用，可以考虑使用 WebSocket 或自定义 RTC 实现，牺牲部分延迟换取提示词完整性。
对中文用户的具体影响：中文语音识别本身对上下文依赖更强（同音字多），丢包导致的错误可能比英文更严重。例如，丢失一个“不”字可能完全改变语义。用户在使用语音助手时，如果发现响应莫名其妙，网络状况不佳可能是原因之一。
监管/合规角度：国内对语音数据传输有严格规定，WebRTC 的丢包行为可能影响数据完整性，但尚未有明确监管要求。开发者需注意在合规前提下保证服务质量。
几条值得记住的细节
- WebRTC 为低延迟会主动丢弃音频包，这在传统通话中可接受，但对语音 AI 是灾难。
- 浏览器中无法重传丢失的 WebRTC 音频包，Discord 曾尝试但失败。
- 用户宁愿多等 200ms 也要完整提示词，但 WebRTC 不允许等待。
- OpenAI 的低延迟语音方案依赖 WebRTC，可能面临提示词不完整问题。
- 中文语音识别对丢包更敏感，因为同音字多，语义依赖上下文。
一句话总结
用 WebRTC 做语音 AI 就像用漏水的桶装水：快是快，但关键内容可能已经漏光了。