研究揭示全双工语音模型对话换轮延迟：中位耗时远超人类
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载两个语音模型互相对话
这项研究关注的场景是全双工语音模型彼此交谈，而不是与人交谈。论文指出，这类模型原本是为与人对话而训练的，但如今越来越多地被用于自对弈数据生成、智能体社会以及基于模型的评测中，在这些环节里模型之间会互相交流。在这种循环中，没有人类去消化时间上的误差，一个模型的轮次转换结果会直接成为另一个模型的输入。研究要回答的问题是，这样的循环最终会稳定在什么样的时间节奏上。实验让两个 PersonaPlex-7B 实例在共享时钟上交换音频 token，进行没有脚本的对话，并把一条话轮转移规则同时应用到它们和 Switchboard 上。
时间耦合但换手偏晚
结果显示，两个模型的时间表现是耦合的：如果重新配对说话者、跨对话组合，这种耦合就会被破坏。但话轮的交接发生得偏晚，中位数为 400 至 560 毫秒，而人类的中位数是 137 毫秒。论文还提到一个细节，在伙伴话轮的最后 120 毫秒里，人类预测会把十分之一的转移放在这个区间，而模型只有百分之一落在这里。这说明模型并没有像人类那样提前预判话轮结束，而是在感知到对方说完之后才做出反应。
延迟通道验证反应式等待
为了进一步验证这一判断，研究对通道的一个方向施加延迟。结果发现，模型的响应会随着延迟一比一地平移，而响应之前的准备阶段则是空白的。这一现象与「感知到结束之后再反应式等待」相符，而不是人类时间控制所需要的对话轮结束的预判。论文题为 Coupled but Late: Turn-Taking Between Full-Duplex Speech Models in Unscripted Dialogue，作者包括 Lichen Zhu、Yueqian Lin、Yiheng Wang、Hai "Helen" Li 和 Yiran Chen，于 2026 年 10 月 6 日提交，属于 cs.AI 分类，目前处于审稿状态。
为什么值得看
揭示全双工语音模型在互相对话时缺乏人类预测性换轮机制，对自博弈数据生成及多智能体语音交互设计具参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。