【Tavus 发布 Sparrow-2，让语音 Agent 学会等待和识别环境声】 #Tavus发布Sparrow2#

和语音 Agent 聊天时，最容易出戏的瞬间之一，就是你刚停下来想一想，它已经抢着回答。

Tavus 新发布的 Sparrow-2 想解决的正是这个问题：它不再只靠静音时长判断一句话有没有结束，而是把语义、语调、停顿、说话人和环境声放在一起理解。

👀 几个关键变化：

- 以 10ms 帧率处理音频，每秒更新 100 次对话状态；
- 80ms 音频约用 7ms 完成处理，上一代约为 30ms；
- 能区分「嗯」等附和与真正打断；
- 用户思考时可等待 6～8 秒，听不清时会主动请求重复。

模型使用 1.6 万段真实对话和 2000 段合成对话训练。Tavus 自建测试显示，在 575 个真实对话事件中，Sparrow-2 的时机判断失败率为 2.1%；面对超过 1 秒的停顿，它有 97% 的情况不会抢话。对比中的 LiveKit 采用可在设备端运行的 v1-mini，并非其最先进模型，因此数据更适合观察 Sparrow-2 的设计方向。

Sparrow-2 现已在 Tavus PAL、API 和企业平台中正式可用。

语音 Agent 真正自然之前，先学会不抢话可能比声音更像人重要。

#语音Agent##对话式AI#