声网与RTE开发者社区携手，近期宣布了两项重要成果：TEN VAD与TEN Turn Detection模型的开源。这两款模型是声网基于其超过十年的实时语音技术研究，以及超低延迟技术积累所打造的，旨在大幅提升AI Agent的交互体验，使其更加自然流畅。作为开源项目，全球开发者均可自由使用、修改和贡献代码，它们也将作为开源对话式AI生态体系TEN的核心组件，持续进行优化迭代。
TEN VAD，一款轻量级、高性能的语音活动检测模型，凭借其超低延迟、低功耗和高准确率的特点，在语音输入大语言模型前的预处理阶段发挥着重要作用。它能够精确识别音频中的人声，并有效过滤掉背景噪音和静音段，不仅提升了语音识别（STT）的准确性，还显著降低了处理成本。与WebRTC Pitch VAD和Silero VAD相比，TEN VAD在公开测试集上展现出了更优越的表现，特别是在延迟方面，TEN VAD能够快速检测语音与非语音的切换，避免了因延迟导致的交互不畅。
TEN VAD已在Hugging Face和GitHub上开源，并配备了人工精标的数据集，方便开发者进行模型推理和评估。实际应用中，一个真实用户案例显示，使用TEN VAD后，音频传输数据量减少了62%，语音服务成本大幅降低。
另一款模型，TEN Turn Detection，则专注于解决人机对话中的一大难题：判断用户何时停止说话。在真实交流中，AI需要准确区分用户的“中途停顿”与“表达完毕”，以避免插话打断或回应迟缓。TEN Turn Detection支持全双工语音交互，允许用户和AI同时说话，使对话更加自然。该模型通过分析语言模式，判断说话者的状态，从而智能决定AI是“说”还是“听”，支持中英文，可供所有Voice Agent开发者使用。
在多场景测试数据集上，TEN Turn Detection与其他同类开源模型相比，表现出了优越的性能。当TEN VAD与TEN Turn Detection结合使用时，可以打造出更自然、反应更迅速、成本更低的Voice Agent。这两款模型都基于声网深厚的实时语音研究经验，拥有超低延迟、低功耗和高准确率的特点，且完全开源，采用Apache 2.0许可证。
使用这两款模型，AI Agent能够正确处理“打断”、“停顿”、“回应”等人类式交互，极大提升用户体验。同时，由于VAD能够准确识别语音帧，有效减少语音识别调用量，实测结果显示，两者合用能大幅降低总系统成本。这两款模型还可以作为TEN framework的插件模块使用，对于已经使用TEN framework的开发者，支持无缝集成；对于正在选型AI Agent框架的团队，TEN无疑是具备最佳VAD和轮次检测能力的选择之一。
为了快速体验这两款模型，开发者可以登录Hugging Face，打开TEN Agent Demo，进行模型测试和评估。这一开源举措，不仅为开发者提供了高质量的语音处理工具，也推动了对话式AI技术的进一步发展。
