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

8 月 31 日消息，AI视频公司 Tavus 发布实时对话理解模型 Sparrow-2，并已在 Tavus PAL、API 和企业平台中正式可用。它不再只用静音时长判断用户是否说完，而是同时分析语义、词汇结构、语调、停顿、说话人和环境声音，持续判断系统应当倾听、等待、说话还是继续说。

Sparrow-2 以 10ms 帧率流式处理音频，每秒可更新 100 次对话状态，粒度较上一代提高 4 倍；处理 80ms 音频约需 7ms，上一代约为 30ms。模型可区分「嗯」等附和与真正打断，在用户思考时等待 6～8 秒，并在声音无法可靠辨认时请求重复，而非基于错误转写继续回答。

Tavus 称，模型使用 1.6 万段真实对话和 2000 段合成对话训练。在 575 个真实对话事件测试中，Sparrow-2 的时机判断失败率为 2.1%，约为最佳对比模型的四分之一；面对超过 1 秒的思考停顿，它有 97% 的情况不会抢话。上述对比包含 Tavus 自建评测，LiveKit 仅采用可在设备端运行的 v1-mini，并非其最先进模型。