也就是说他是由语音识别模型，识别用户的话，转成文字，发给文本模型，然后再通过tts模型将文本转化成语音， 
还是说直接全模态处理一切信息，直接理解用户说了什么，并且将它转化为字幕 同时，直接输出音频，并将自己的音频也转化成字幕(当然转换成字幕这一步也有可能是语音识别模型做的 或者AI的那一边可能是语音识别模型自己主动做的) 
无论如何，今天玩上一个Plus 
好陌生的词，我好像是第一次玩Plus 🤔 
懒得翻设置，也懒得聊天了，打算以后留作改网站的备用 
因为新登录，所以自然而然又给我推了一下新的voice，然后就去体验了一下 
智能程度开的是中等 
没有看到思考过程 
但是聊天过程中呢，他的说话速度和他的文本输出速度基本是一致的，这一点非常有趣 
也令我思考 
这就真的是他的文本输出速度吗？还是说他已经提前写好了文本 只是逐渐显示出来? 
但最终 一个最重要的问题是 
为什么可以制造出类...