后台是在什么时机调用大模型的呢？ 是用户语音输入后 停顿N秒？ 调大模型的时候会传哪段时间范围内的图片帧呢？ 如果用户没有语音输入，会调用大模型吗？
后台是在什么时机调用大模型的呢？
是用户语音输入后 停顿N秒？
调大模型的时候会传哪段时间范围内的图片帧呢？
如果用户没有语音输入，会调用大模型吗？