不需要非常高级
ASR能识别常见语言，带点口音也能基本认出来那种
LLM不要太弱智，比豆包强就行
TTS可以选多种音色之类。之前用百炼的感觉还行，但是自己搓程序，不太会写这家的API调用。
实在不行分开成好几家也可以，各取所长
交给ai呗 阿里的文档写的还是很详细的