我们提出语音推理能力评估基准（Voice Evaluation of Reasoning Ability, VERA），用于在实时对话约束条件下评估语音交互系统中的推理能力。VERA 包含 2,931 个源自经典文本基准的原生语音对话片段，按任务类型划分为五个赛道：数学（Math）、网络信息（Web）、科学（Science）、长上下文（Long-Context）和事实性问答（Factual）。每个测试项均针对语音交互进行适配，同时保持原有的推理难度。VERA 支持在模型家族内部进行文本与语音的直接对比，还可用于分析不同架构设计对系统可靠性的影响。我们对 12 个当前主流语音系统与强健的文本基线模型进行了评估，结果揭示出显著且一致的模态差距：在竞赛类数学任务中，领先的文本模型准确率达到 74.8%，而其语音对应版本仅达 6.1%；在各赛道上的宏平均准确率，最佳文本模型为 54.0%，而语音模型仅为 11.3%。延迟-准确率分析表明存在一个低延迟平台——快速语音系统普遍集中在约 10% 的准确率水平，而要接近文本模型的性能，则必须牺牲实时交互能力。诊断性实验显示，常见的缓解策略效果有限：增加“思考时间”带来的提升微乎其微；采用将推理与叙述解耦的级联架构虽能提升准确率，但仍远低于文本模型水平，并引入了典型的语义锚定（grounding）与一致性错误。失败分析进一步揭示了原生流式处理、端到端以及级联式设计在错误模式上存在显著差异。VERA 为那些将“思考”与“表达”解耦的系统架构提供了可复现的测试平台和针对性诊断工具，为衡量向既流畅又可靠的真实语音助手演进的进展，提供了一种系统化、有原则的评估路径。