開源全雙工語音輪替模型 Tyger 釋出：每 80 毫秒無預判偵測插話，端到端回應延遲約 0.7 秒

開發者於 LocalLLaMA 社群釋出開源全雙工語音輪替控制模型 Tyger，以及基於該模型的語音代理框架 tyger-s2s。Tyger 架構由 0.6B 參數的 NVIDIA Nemotron 3.5 ASR Streaming 基礎模型與 14M 參數的因果 GRU 組成，在完全不依賴未來音訊（no lookahead）的情況下，每 80 毫秒判斷一次對話狀態，分類為發言結束（answer）、插話打斷（stop）或附和搭話（chime in）。模型同時監聽麥克風與代理自身的音訊播放，以避免回音導致誤判。 配套開源的 tyger-s2s 採用 Apache-2.0 授權，整合了 Tyger、Gemma 4 E4B FP8 及 VoxCPM2，支援工具調用與最多 4 路並行對話。根據開發者實測，在 NVIDIA RTX 5090 上，從使用者結束說話至代理輸出首段音訊的端到端延遲約為 0.7 秒；系統預設在完全本機環境下離線執行，但亦提供連線至雲端模型的選項。 目前該專案存在若干硬體與實作限制：Tyger 模型現階段僅以 FP32 運作且未經量化測試；整套 tyger-s2s 代理需消耗 28GB 顯示記憶體，官方尚未在 RTX 5090 以外的顯示卡上完成測試，且現階段僅具備離線評測數據。