開發團隊發布了 Tyger，這是一個小型模型，專為語音代理設計，能夠處理全雙工輪次控制。該模型基於 NVIDIA Nemotron 3.5 ASR Streaming 0.6B 架構，並在頂層疊加 14M 參數的因果 GRU。Tyger 每 80 毫秒進行一次狀態判斷，且不使用前瞻（lookahead）機制，從三種狀態中選擇其一：「answer」（用戶結束輪次）、「stop」（用戶打斷，代理停止說話）以及「chime in」（代理發出「嗯哼」、「噢，真的嗎」等反饋並繼續聆聽）。由於模型同時接收麥克風輸入與代理自身的播放音訊，因此能避免將自身回聲誤認為用戶聲音。
此外，團隊還發布了 tyger-s2s（採用 Apache-2.0 授權），這是一個完整的語音代理系統，整合了 Tyger、Gemma 4 E4B FP8 與 VoxCPM2。該系統支援工具呼叫，並可同時處理多達 4 個對話。在 RTX 5090 硬體上，從用戶語音結束到產生第一音訊的延遲約為 0.7 秒。系統提供可選的託管「專家」模式（基於 OpenAI），預設為關閉；當此模式關閉時，所有運算均在本地執行，音訊與文字不會離開用戶機器。
目前存在以下限制：雖然 Tyger 模型本身較小，但完整的 tyger-s2s 堆疊需要 28 GB VRAM。目前僅在 RTX 5090 上進行測試，其他 GPU 尚未測試，開發者歡迎提供 3090 或 4090 的測試報告。目前僅支援 FP32 精度，量化技術尚未測試。此外，目前僅有離線基準測試結果。
事件背景
Tyger 模型可透過 Hugging Face 下載，完整的語音代理系統 tyger-s2s 原始碼發布於 GitHub，並提供需註冊使用的免費線上 Demo。
