你话说到一半，语音 Agent 突然抢答；你插嘴纠正，它还在滔滔不绝；扬声器里放出的声音，又被它当成你在讲话。Tyger 想解决的就是这些不太显眼、却直接决定对话是否顺畅的问题：让机器不只听清内容，还能判断现在该回答、闭嘴，还是简单应一声继续听。
发布方将 Tyger 称为一个开放权重的小模型。它把流式 ASR——也就是在人还没说完时持续把语音转成文字——与全双工轮次控制放进同一个模型。全双工意味着用户和 Agent 可以同时发声，像打电话一样；轮次控制则负责判断此刻究竟该谁说话。本文的数据和效果均来自发布方自述，尚无独立测试交叉验证。
每 80 毫秒做一次选择
Tyger 以 NVIDIA Nemotron 3.5 ASR Streaming 0.6B 为基础，上面叠加一个 1400 万参数的 causal GRU。GRU 是一种适合处理连续时间序列的轻量循环神经网络；“causal”表示它只依据已经听到的内容判断，不偷看未来音频。
发布方称，模型每 80 毫秒做一次决定，而且不使用 lookahead——即不额外等待后面的声音来辅助判断。它只在三种状态中选择：
answer：用户已经说完，Agent 可以回答；stop：用户正在插话，Agent 应停止播放自己的回答；chime in：Agent 可以说一句“mm-hm”或“oh, really”，但仍继续听，不把这当成自己正式接管话轮。
这个设计的关键，不是让 Agent 多说，而是把“什么时候说”压缩成一组可持续更新的动作判断。好比通话时不断观察对方是否还要继续：一句“嗯”可以表示“我在听”，并不等于“接下来轮到我讲”。三状态分类提供了一个清楚的控制接口，但它不等于模型已经能在所有开放场景中真正理解插话时机。
它还要听见自己的声音
全双工系统有一个麻烦：麦克风不只会收到用户声音，也可能收到 Agent 从扬声器播出的回答。如果系统分不清来源，就可能把自己的回声误判为用户插话。
Tyger 因此同时接收麦克风输入和 Agent 自身的播放音频。发布方认为，这能帮助模型识别回声。不过材料没有给出独立实验或具体错误率，因此更准确的说法是：它在输入设计上正面处理了回声混淆，而不是已经证明“不会听错”。
这也解释了为什么短促附和值得单独建模。据 CNN Business 回顾，2018 年 Google Duplex 演示里的“mm-hm”曾因过于像真人而引发关注和身份披露争议。到了 Tyger，这种声音不只是拟人化装饰，而是一种明确的轮次信号：我在听，你继续。
从模型到完整语音 Agent
发布方还提供了完整系统 tyger-s2s，并称其采用 Apache-2.0 许可证。材料列出的组合是 Tyger、Gemma 4 E4B FP8 和 VoxCPM2，支持工具调用与最多 4 路并发对话。不过 Gemma 4 E4B FP8 的型号名称可能有误或含糊，发稿前仍需核对；Apache-2.0 的表述也只明确指向 tyger-s2s，不能据此推定所有底层权重都能按同一许可证任意使用。
发布方称，在 RTX 5090 上，从用户语音结束到首段音频输出约需 0.7 秒。这个数字没有包含端点检测可能造成的等待，也没有说明样本量、分位数、音频长度和负载条件，因此只能视为一次发布方口径的延迟指标。
系统还带有一个默认关闭的 OpenAI 托管“expert”。按发布方说法，关闭它以后，音频和文本都不会离开本机，整套系统可以本地运行。这对在意数据边界的用户有吸引力，但目前同样缺少第三方审计。
为什么值得关注
语音 Agent 的体验瓶颈，未必只是“听错了几个字”。更难的是它能否等待、能否被打断，以及能否用一句简短回应表明自己仍在听。Tyger 的价值，在于把转写与这些即时动作放进同一条流式判断链路，直接瞄准真实通话里最容易露馅的部分。
它也提醒我们：更像人的语音交互，不只是声音自然。真正困难的是节奏。Agent 需要知道什么时候开口，更要知道什么时候不要开口。
局限与未知
tyger-s2s完整栈需要 28 GB VRAM，目前只在 RTX 5090 上测试；其他显卡表现未知。- Tyger 当前只支持 FP32，量化尚未测试。量化是用更低精度表示模型参数，以减少显存和计算开销。
- 目前只有离线基准结果，没有真实用户对话中的公开评测；回声处理、4 路并发和约 0.7 秒延迟也都缺少独立复现。