Indic Multilingual Turn Detector

Indic Multilingual Turn Detector

读取语音转文字的转写文本，判断说话人是否已说完这一轮，支持英语、Hinglish 和七种印度语言。面向语音智能体和呼叫中心开发者。

由 tarun7r 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是一个文本模型，用来判断语音对话中的人是否已经说完这一轮。它读取语音转文字系统给出的转写文本和之前的对话，然后预测说话人是否结束。语音活动检测只能察觉静音，察觉不到语义，这个模型补上了这一块。

适合谁：它适合实时语音智能体的开发者，以及为呼叫中心做坐席辅助的团队，尤其是用户说印地语、Hinglish 或其他印度语言的场景。

行业 | 使用者 | 用法 | 例子
呼叫中心 | 坐席辅助开发者 | 给实时转写打分，判断来电者是否说完 | 来电者报电话号码时，保持这一轮不结束
语音 AI | 语音智能体开发者 | 用语义而不是静音计时器来决定何时回复 | 等一句以悬空词结尾的 Hinglish 句子说完
语音平台 | LiveKit 开发者 | 替换 LiveKit 的文本轮次检测器 | 覆盖印地语之外的印度语言

只处理原始音频的团队，或需要识别说话人身份的人，可以跳过。

用在哪里：

• 从语音转文字流程拿到转写文本的实时语音智能体
• 呼叫中心的坐席辅助工具
• LiveKit 智能体，通过 EOUTurnDetector 辅助类接入
• Windows、macOS 或 Linux，用 Python 下载文件

使用场景 | 谁用 | 得到什么
决定智能体何时可以回复 | 语音智能体开发者 | 这一轮已经结束的概率
在停顿和拖尾词中保持等待 | 呼叫中心工具开发者 | 对方还在思考时继续等待的信号
替换 LiveKit 较旧的文本检测器 | LiveKit 开发者 | 接口相同，并覆盖七种印度语言

如何设置：

• 装有 pip 的 Python，用来下载文件
• 一个能产出转写文本的语音转文字流程
• 约 2 GB 磁盘空间，用于 ONNX 图
• 使用 LiveKit 时，需要 EOUTurnDetector 辅助类，它实现了 MultilingualModel 接口

1. 安装 Hugging Face 的 hub 客户端。
2. 下载模型文件。
3. 加载 ONNX 图，阈值就是在这张图上校准的。
4. 从 languages.json 读取各语言的阈值。

pip install -U huggingface_hub
hf download tarun7r/indic-turn-detector

如何使用：把分词后的转写文本作为 input_ids 交给 ONNX 图。它会为每个位置返回一个 prob 值，你取最后一个。把这个值和该语言存储的阈值比较，在 safe 和 balanced 两个档位中选一个。

工具 | 作用
model.onnx | 运行时使用的 fp32 图，输入 input_ids，返回 prob
languages.json | 保存每种语言的 safe 和 balanced 阈值
model.safetensors | PyTorch 权重，含 eou_head 张量
EOUTurnDetector | 通过 MultilingualModel 把模型接入 LiveKit 的辅助类

示例：来电者开始报电话号码，转写文本在前几位数字后停住。检测器把这段文字判为未结束的一轮，所以智能体继续听，而不是插话。它会一直保持这一轮，直到号码报完。

新手与专家：很多语音智能体会打断人，因为它们只听静音。这个模型改为读文字，判断这句话听起来是否说完了。第一步可以先下载文件，给一段说到一半就停住的转写打分。

它的底层是加了句末检测头的 Qwen2.5-0.5B-Instruct 微调模型，共 494M 参数，其中 179M 可训练。训练数据混合了 MultiWOZ 风格的对话、TOP 风格的槽位，以及由续写和前缀生成的负样本。阈值在 fp32 分数上校准，ONNX 图与这些分数的差距在 1e-6 以内。动词居末的语言最难，因为谓语最后才出现，正好是基于静音的切断发生的地方。

语音转文字生成转写文本
词元作为 input_ids 输入
ONNX 图逐位置返回 prob
用阈值检查最后一个位置
智能体继续等待或接话

注意事项：

• 语言：英语、Hinglish 和七种印度语言，即印地语、泰卢固语、泰米尔语、马拉地语、孟加拉语、古吉拉特语和旁遮普语
• 体积：494M 参数，ONNX 和 PyTorch 文件各约 2 GB
• License: Apache 2.0
• Cost to run: 未提及，不过语音转文字需要你自己提供
• Data it reaches: 你传入的转写文本。不处理、不发送、不保存音频，每一轮都单独打分
• Not for: 说话人识别，因为它不含声纹或任何身份信号

Hugging Face 上的数据（2026年11月13日）

• 任务：text classification
• 框架：transformers
• 参数量：494M
• Weights: about 2 GB in F32; about 247 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：81
• 点赞：3
• 许可证：apache-2.0
• 语言：en, hi, bn, gu, mr, pa, ta, te
• 基于：Qwen/Qwen2.5-0.5B-Instruct
• 标签：transformers, onnx, safetensors, qwen2, text-generation, voice-ai, voice-agents, turn-detection, end-of-utterance, end-of-turn, livekit, conversational-ai

链接

• 模型：https://huggingface.co/tarun7r/indic-turn-detector
• 文件：https://huggingface.co/tarun7r/indic-turn-detector/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download tarun7r/indic-turn-detector

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。