聲網與RTE開發者社區攜手，近期宣布了兩項重要成果：TEN VAD與TEN Turn Detection模型的開源。這兩款模型是聲網基于其超過十年的實時語音技術研究，以及超低延遲技術積累所打造的，旨在大幅提升AI Agent的交互體驗，使其更加自然流暢。作為開源項目，全球開發者均可自由使用、修改和貢獻代碼，它們也將作為開源對話式AI生態體系TEN的核心組件，持續進行優化迭代。

TEN VAD，一款輕量級、高性能的語音活動檢測模型，憑借其超低延遲、低功耗和高準確率的特點，在語音輸入大語言模型前的預處理階段發揮著重要作用。它能夠精確識別音頻中的人聲，并有效過濾掉背景噪音和靜音段，不僅提升了語音識別（STT）的準確性，還顯著降低了處理成本。與WebRTC Pitch VAD和Silero VAD相比，TEN VAD在公開測試集上展現出了更優越的表現，特別是在延遲方面，TEN VAD能夠快速檢測語音與非語音的切換，避免了因延遲導致的交互不暢。

TEN VAD已在Hugging Face和GitHub上開源，并配備了人工精標的數據集，方便開發者進行模型推理和評估。實際應用中，一個真實用戶案例顯示，使用TEN VAD后，音頻傳輸數據量減少了62%，語音服務成本大幅降低。

另一款模型，TEN Turn Detection，則專注于解決人機對話中的一大難題：判斷用戶何時停止說話。在真實交流中，AI需要準確區分用戶的“中途停頓”與“表達完畢”，以避免插話打斷或回應遲緩。TEN Turn Detection支持全雙工語音交互，允許用戶和AI同時說話，使對話更加自然。該模型通過分析語言模式，判斷說話者的狀態，從而智能決定AI是“說”還是“聽”，支持中英文，可供所有Voice Agent開發者使用。

在多場景測試數據集上，TEN Turn Detection與其他同類開源模型相比，表現出了優越的性能。當TEN VAD與TEN Turn Detection結合使用時，可以打造出更自然、反應更迅速、成本更低的Voice Agent。這兩款模型都基于聲網深厚的實時語音研究經驗，擁有超低延遲、低功耗和高準確率的特點，且完全開源，采用Apache 2.0許可證。

使用這兩款模型，AI Agent能夠正確處理“打斷”、“停頓”、“回應”等人類式交互，極大提升用戶體驗。同時，由于VAD能夠準確識別語音幀，有效減少語音識別調用量，實測結果顯示，兩者合用能大幅降低總系統成本。這兩款模型還可以作為TEN framework的插件模塊使用，對于已經使用TEN framework的開發者，支持無縫集成；對于正在選型AI Agent框架的團隊，TEN無疑是具備最佳VAD和輪次檢測能力的選擇之一。

為了快速體驗這兩款模型，開發者可以登錄Hugging Face，打開TEN Agent Demo，進行模型測試和評估。這一開源舉措，不僅為開發者提供了高質量的語音處理工具，也推動了對話式AI技術的進一步發展。