Krisp 发布 VIVA 2.0：为语音 AI 代理打造下一代语音基础设施

背景：从实验室到生产环境的鸿沟

在语音 AI 领域，一个普遍现象是：演示环境下的语音代理听起来完美无缺，但一旦部署到生产环境，问题便接踵而至。无论是机场嘈杂的背景音、劣质麦克风的回声，还是网络编码压缩带来的信号损耗，都会导致语音识别率（WER）从 5% 飙升至 30% 甚至更高。

与此同时，即使音频足够纯净，语音代理的对话感依然生硬。人类交流依赖于微妙的非语言线索——何时该停顿、何时该接话、如何判断对方正在思考而非结束发言。目前的多数语音代理仍基于简单的“静音即发言”规则，缺乏这种预测性，导致用户体验割裂。

核心突破：VIVA 2.0 的双重革新

Krisp 凭借八年在真实语音流量上的积累，推出了 VIVA 2.0。这不仅仅是一个降噪工具，而是一个理解对话的语音基础设施。其核心突破体现在以下两个方面：

1. 语音隔离引擎 v3 (Voice Isolation v3)

针对生产环境中高达 15-30% 的单词错误率，VIVA 2.0 对核心隔离引擎进行了彻底重构。

• 深度去噪：不仅能过滤背景噪音，还能有效分离其他说话人的声音、消除房间回声及编码伪影。
• 跨语言适配：支持全球多种语言与口音，确保在不同场景下都能提取出最纯净的主讲人语音。
• 直接提升 WER：为下游的语音转文字（STT）和 LLM 提供更干净的输入，从源头降低误识别风险。

2. 预测式轮转检测 v3 (Turn Prediction v3)

解决了语音代理“被动等待”的缺陷，使其具备人类般的对话直觉。

• 主动预测：不再单纯依赖静音时长来判断发言权，而是通过分析语音特征预测对方何时结束发言。
• 自然交互：智能识别“嗯”、“啊”等填充词，区分“思考中的停顿”与“结束后的沉默”，从而在最佳时机介入或保持静默。
• 无缝衔接：显著减少因抢话或沉默造成的对话中断感。

应用价值与生态影响

VIVA 2.0 采用服务器端 SDK 架构，可无缝嵌入现有的语音管道（如 Speech-to-Text 之前）。目前，该引擎已部署于 Daily、Vapi、LiveKit、Vodex 等主流语音平台，并被全球最大的人工智能实验室采用。

根据早期采用者的反馈，集成 VIVA 的语音代理团队在关键指标上取得了显著改善：

• 轮转准确率提升 3.5 倍：对话逻辑更加顺畅。
• 通话丢失率降低 50%：有效应对嘈杂环境导致的连接中断。
• 客户满意度提升 30%：用户体验更加自然可信。

Krisp 表示，VIVA 2.0 标志着语音 AI 从“能听懂”向“能自然交流”的关键跨越，为构建大规模、高可靠性的语音代理基础设施奠定了坚实基础。

"VIVA 2.0 不仅仅是在清理音频，它是在理解对话。" —— Krisp 工程团队