AustinXiao/voxturn 语音轮次模型
一次前向判断轮次结束、续说、插话和是否为语音。
为什么重要
可作为语音 Agent 的轮次检测器，降低误打断并支持多语言评测。
阅读原文huggingface.co
AI 解读（根据原文生成）
voxturn 是一个开放音频轮次模型，基于 Qwen/Qwen3-ASR-0.6B-hf，用于 audio-classification。它听取最近 8 秒用户音频，可选结合转写或对话上下文，在一次前向中回答用户是否结束发言、多久后继续、是否为 backchannel 或 interruption、声音是否为语音。模型在 eot-bench 的 14 种语言上测量，并提供 Pipecat 与 LiveKit Agents 的接入说明；Hugging Face 页面无需申请访问，许可证为 cc-by-nc-4.0。
要点（AI 据原文整理，数字均已与原文核对）
- 它听取最近 8 秒用户音频，可选使用 transcript 或 dialog so far。
- runs on one GPU in ~8 ms。
- English 11.5% false cut-offs at a 300 ms latency budget。
- Multilingual 19.9% mean over 14 languages。
- 4 questions in 9.0 ms vs 33.2 ms asked one by one (3.7×)。
- Size one 0.8B model; 8.3 ms per decision, 1.9 GB GPU memory。
