EOU 选型调研 · 东南亚 + 南美语种

方案 A · 印尼语 / 越南语 / 西语 / 葡语开源即用

• 首选 Smart Turn v3.2（已在本机跑通链路）：四语种官方支持，8MB CPU 33ms，BSD 协议可商用可微调，与语种无关的统一架构——一个模型服务多国业务，无需按语种切模型。
• 印尼语可叠加 LiveKit v1-mini 做 A/B（其 14 语种含 id/es/pt），但越南语 LiveKit 不支持，统一栈意义下 Smart Turn 更优。
• 上线前必做：用各语种真实电话录音（8kHz）各建 200+ 条测试集跑误切断率回归，TTS 样本只能做冒烟。

风险：低。这四个语种在 Smart Turn 训练集中有官方数据。

方案 B · 泰语 / 马来语 / 菲律宾语过渡 + 自训两步走

• 第一步（上线用）：STT 内置判停过渡——Soniox（60+ 语种全覆盖、带 endpoint detection）或 Speechmatics（end-of-utterance 特性 + Pipecat 已有官方集成 TurnDetectionMode）。接受判停与 STT 耦合的代价，先把业务跑起来。
• 第二步（三个月内）：用 Smart Turn 全开源训练管线自训小语种模型——train.py + 公开数据集格式全开放，仓库明确欢迎社区语种贡献；泰语可参考 arXiv 2510.04016 的数据构建方法。每语种千小时级对话音频即可起步，业务录音回流是最好的数据源。
• 马来语捷径：与印尼语高度互通（同属马来语族），先用 Smart Turn 的 id 模型直接跑马来语测试集，若误切断率可接受则零成本覆盖。
• 菲律宾语注意：Taglish（他加禄+英语混说）普遍，纯 en 模型对纯他加禄句尾判断不可靠，测试集必须包含混说样本。

风险：中。过渡期判停体验依赖 STT 厂商；自训需要数据积累但换来长期自主。

方案 C · 兜底架构（与语种无关）必配

• 沿用工程篇六层手段：置信度分级等待 + 对话状态条件化 + 最大等待兜底在任何语种下都有效——EOU 模型缺位的语种，把端点策略调保守（等待窗口放宽至 800ms-1s）也能上线，只是体验降级而非不可用。
• 统一评测：所有语种共用一套 eot-bench 式回归框架，指标口径一致（300/600ms 预算下误切断率），新语种模型上线前过同一道门。

方案 B 附录 · 泰/马来/菲自训数据来源清单二轮深化新增

• SEACrowd（EMNLP 2024，被引 27+）：东南亚多语种多模态数据中枢，聚合并标准化散落的 SEA 语种数据集（含 Common Voice SEA 子集镜像）——自训选数据的第一入口；其 SEADialogues 对话数据集可补对话体样本。
• Mozilla Common Voice：开放授权多语种朗读语料（泰/马来/他加禄均有子集，体量分层）；注意朗读体与对话体的韵律差异，EOU 训练只能作预训练/增广，不能作主料。
• FLEURS：102 语种平行语料（含目标三语），适合做语种门禁评测集；但 arXiv 2506.17525 审计提示 Common Voice/FLEURS 存在标注质量问题，用前抽样人工核验。
• GigaSpeech 2（ACL 2025）：泰语在列（另含印尼/越），3 万小时级无监督音频 + 全开源数据管线——泰语 EOU 自训的音频底料首选，配合 arXiv 2510.04016 的泰语 EOT 数据构建方法。
• 业务录音回流（最高价值）：真实 8kHz 电话对话是唯一完全匹配分布的数据——但必须在录音告知/同意范围内明示“用于模型训练”（合规要求见质检合规与 Agent 安全报告）；每语种千小时级即可起步，配 Smart Turn 全开源训练管线（train.py）。
• 菲律宾特例：Taglish 混说样本公开语料极少，业务回流几乎是唯一途径；冷启动阶段可用双语 TTS 合成混说样本做冒烟，但上线门禁必须真实样本。

优先级：业务录音回流 > GigaSpeech 2（泰） > SEACrowd 聚合集 > Common Voice/FLEURS（预训练/评测用）。