📄 何时闭嘴何时开口分开学：用真实重叠教会状态机的全双工配方
一句话：针对合成带学不会真实打断与重叠时序的问题，该工作用人人语音学轮次、用可配人机文本保语义并以事件规则与来源感知损失缝合，在受控词量下轮次 F1 提升约 0.31、放量后语义距基座仅差 0.09，代价是单带仍压缩连续时间与副语言。
标签：#语音交互 | #大语言模型 | #流式处理 | #基准测试
评分：7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
👥 作者与机构
- Yihang Li：Kyoto University
- Chenhui Chu：Kyoto University
💬 毒舌点评
把轮次控制与语义解耦、用真实人人对话学打断的思路切中了神经有限状态机合成数据的要害，事件引导的规则序列化做得扎实可扩展。但合成基线复现自由度偏大且语义评估口径不对等，暂停处理的激进策略也暴露了单带序列化压缩连续时间的固有代价。
📌 核心摘要
全双工对话需要同时处理打断、反向通道和地板争夺，而神经有限状态机将状态转换与回复生成序列化到单条因果带上，却依赖大语言模型合成难以还原真实声学时序的训练带。本文提出解耦数据方法，用真实人人口语对话学习轮次控制，用可配置的人机文本对话塑造语义，并以全规则的事件引导变换加来源感知校准损失实现联合训练。在控制训练token量的对比中，该方法在轮次F1与VoiceBench上均大幅超越合成基线，扩大到按比例上采样混合后语义基本恢复至基座模型零样本水平。实际意义在于为基于有限状态机的全双工系统提供了可扩展到任意人人语料且无需大语言模型标注的配方。主要边界是单带离散化必然损失连续时间与副语言信息，且当前仅覆盖双人问答场景。
🔗 开源与复现资源
- 代码： 仓库链接为 https://github.com/Liyht/def-fsm
- 模型权重： 论文中说明模型与代码均在 https://github.com/Liyht/def-fsm 获取，未提及独立HuggingFace或ModelScope权重链接
- 数据集： 采用Switchboard语料和Fisher语料作为人人口语对话，未提及获取链接，采用ShareGPT52K数据集作为人机对话，链接为 https://huggingface.co/datasets/RyokoAI/ShareGPT52K，另用GPT-4-Turbo生成1500个合成对话作为基线，未提及公开链接
- Demo： 论文中未提及
- 复现材料： 基础模型为Qwen3-4B，人人与人机按1比1 token量混合，Fisher与Switchboard按4比1混合，来源感知校准损失设置tau为1且alpha为0.6，上下文长度为1024 token，峰值学习率为1.0e-5且warmup比例为0.03，token匹配设置训练至多300步，放量混合设置训练至多700步，细节见Appendix B.1和Appendix D
- 论文中引用的开源项目： Faster-Whisper，链接为 https://github.com/SYSTRAN/faster-whisper，Kokoro TTS，链接为 https://github.com/hexgrad/kokoro，另提及Whisper-Turbo和SimulStreaming和Silero VAD和Qwen3-32B，未提及对应链接
- 资源可达性验证：code=temporarily_unreachable；model=temporarily_unreachable；dataset=temporarily_unreachable；third_party=temporarily_unreachable；third_party=temporarily_unreachable
🧭 深度解读
人为什么能边听边想边插话？
想象你和朋友争论金星和火星哪个更大，你刚说到一半，对方轻轻嗯了一声，你自然继续讲下去。可当对方突然提高声音纠正你，你会立刻停下让对方说完。
这种边说边听、随时判断该坚持还是让位的能力，就是全双工对话。白话说，全双工指听和说同时进行，机器要像人一样处理打断与附和。
它不能等对方彻底说完再开口，而要在重叠中分辨无害的附和与真正的夺话意图。停顿到底是思考还是结束，也藏在毫秒级的声学时序里。
半双工的语音助手之所以显得笨，正是因为它把对话切成严格的你一句我一句。一旦用户中途插话，它要么充耳不闻，要么整段重来。
两条老路为何都绕不开数据？
全双工研究大致分两派，端到端派直接学习语音的连续表示。它的延迟低、抢话灵敏，但为了对齐语音和文字，往往把基座大模型的语义能力磨掉不少。
模块化派则保留文字大模型，另加外部控制器、分类头或词表里的控制符来管状态。它的语义保得较好，但状态监督怎么做仍是难题。
其中神经有限状态机走得最极简，它不加任何参数，只在词表里加几个状态转换符。它把状态跳转和回复内容串在同一条因果带上，用标准的下一个词预测来学。
可极简的代价是全部压力都压在带的内容上，带不真则轮次学不真。原来它的带是让大模型合成的，试图 1 次蒸馏出轮次动态加丰富语义。
合成的带到底缺了什么？
论文用词分布算了一笔账，合成带里回复词占 88.38%，所有状态转换只占 11.62%。其中关键的切换符仅占 2.40%，而真实人人带切换符占 7.26% 与 5.88%。
换句话说，合成对话太干净、太礼貌，很少出现频繁换地板与抢话。缺的不只是频率，还有颗粒度与质感。
推理时用户通道是流式识别吐出的细碎块，带着错误和延迟。合成文本却是完整顺滑的句子，训练与推理的输入质感对不上。
这解释了为什么控制训练词量后，合成基线的轮次 F1 只有 0.34 左右。它的语义也不如真实人机对话，因为合成要在一段对话里同时编好时机与内容。
一句话总览：两条带，一台状态机
方法全景其实很直白，输入是两类数据：真实人人语音对话与人机文本对话。表示是统一的有限状态机带，上面交错着用户块、智能体块与控制符。
组件是事件引导的人人变换管线与口语改写的人机管线。目标是来源感知的校准损失，输出是能边解码控制符边生成回复的模型。
要理解为什么此处要看总体对比图，请把左右两半当成两种教学观来读。左侧是让一个老师同时教游泳姿势与讲故事，右侧是请游泳教练只教时机、请语文老师只教表达。
看图路径： 1. 先沿左侧单箭头看合成文本如何同时承担两种监督；2. 再看右侧双分支人人音频与人机文本分别经过什么变换；3. 最后看底部汇合处两条带如何指向同一个有限状态机
论文图 1。原论文 Figure 1:：“Comparison between the coupled and decoupled data approaches.”。
从像素上看，左侧只有一路合成文本指向带，再分叉出轮次与语义，意味着耦合监督。右侧左路是双波形的人人音频经橙色事件引导变换指向带并强调轮次，右路是人机文本经浅紫色风格改写指向带并强调语义。
两路最终汇入底部有限状态机，这种分叉再汇合支撑了解耦分工的论点。推理时同一模型在听与说之间跳转，驱动感知、认知与电机 3 个异步模块。
轮次控制 × 语义能力： 轮次控制负责何时说、何时听、被打断时截断还是说完，是对时间的判断；语义能力负责说什么、回答是否正确有用，是对内容的判断。两者要搭配是因为全双工系统必须同时做对这两件事，而合成数据让一个大模型同时编造逼真时机与丰富内容，结果两头失真，解耦后各自交给更可信的数据源，组合才同时保住自然度与正确性。
真实对话如何变成可训练的带？
人人分支的第一步是非对称预处理，白话说就是对两条通道区别对待。用户通道用线上同一套流式识别来转写，保留细碎块、时间戳与识别错误。
智能体通道则用干净的人工转写，避免模型学会模仿识别错误。这样做的职责是让训练条件对齐推理条件，块越细，后续事件切分越精确。
接着是事件分类，先按停顿阈值把相邻块合并成停顿间单元。再取双通道边界并集切分时间线，按单人说话、静音与重叠共分成 7 类事件。
停顿间单元 × 轮次事件： 停顿间单元是按静音阈值切出的语音段，负责给出语言上连贯的时间单位；轮次事件是对这些单元之间关系的命名，负责说明发生了轮次变化、停顿、间隙还是重叠打断。两者搭配的原因是只有先有稳定的切分单位，才能把连续对话变成离散的事件序列，进而用确定规则决定在文本流何处插入何种控制符。
序列化阶段把原来笼统的切到听拆成自然结束与被打断两个子类型。这样电机知道是说完当前子句还是立刻截断合成，7 类事件乘以发起者得到 14 条确定性映射。
重叠时智能体块排在用户识别块前面，以反映先生成后感知的因果延迟。静音只保留在听区间，边界连续的两个转换符按起止状态合并。
要读懂这套规则的实际效果，最好看一个真实片段如何被切分与上色。顶部是双通道波形与文字，中间是事件标签，底部是橙绿蓝交错的带。
看图路径： 1. 先沿顶部双通道时间线看发起者与事件标签的对应；2. 再看底部交错色块中控制符如何插在内容块之间；3. 重点观察重叠段智能体块先于用户识别块的排序
论文图 2。原论文 Figure 2:：“Example of turn-taking event classification and event-guided tape serialization.”。
图中可见上半用户行出现 know?、No.、Actually 等绿块，下半智能体行出现 Mars is bigger than、Venus 等蓝块。中间黑线标注 C、G、T、P、FTI、BC、BI，下半带中橙色块如[C.L]、[S.S] 插在内容之间。
例如 FTI 处用户 No. 后紧跟[S.L.I] 实现截断，BC 处 Yeah. 后用[S.S] 与[S.L.N] 实现附和后恢复。这种一一对应的翻译说明事件分类确实承担了近似轮次动态的职责。
语义的口语化与长尾的校准各由谁兜底？
人机分支处理文本对话，输入是书面风格的人机对话，输出是轮次结构平凡但语义可靠的带。流程是规则清洗去 HTML、校验角色交替、去掉代码公式过长上下文。
再用大模型 2 阶段判断是否适合口语化并改写去 Markdown。最后按子句切分并在轮次交替处插开关符、轮次内部插延续符。
它的职责很单纯：别教轮次，只教好好说话。而且语料可替换以指向不同语义目标，这是可配置性的来源。
状态切换符 × 延续符： 状态切换符负责宣布地板易主，例如从听切到说、从说切到听，数量稀少但操作关键；延续符负责维持当前状态，让模型在同一说话人内部继续走。两者搭配是因为有限状态机必须既能稳定停留又能果断跳转，组合后单条因果带才能既表达长时间听与说，又在边界处明确触发语音合成继续或截断。
训练目标则要同时解决两个麻烦，延续符压倒性多数、开关符长尾稀少。人人带轮次可信但语义带噪，人机带语义可靠但轮次平凡。
标准交叉熵会边缘化关键切换，因此对回复词用交叉熵，对转换词用带先验的对数几率调整。
\[\ell^{\mathrm{CE}}(x,y)=-\log\frac{\exp(f_{y}(x))}{\sum_{v}\exp(f_{v}(x))}\]上式是回复部分的普通交叉熵，模型只需拟合下一个词的似然。它的梯度平均分配给流畅表达，是语义保持的主力。
下式则是转换部分的校准损失，在 logits 上加上温度与先验的对数项。
\[\ell^{\mathrm{LA}}(x,y)=-\log\frac{\exp\bigl(f_{y}(x)+\tau\log\pi_{y}\bigr)}{\sum_{v}\exp\bigl(f_{v}(x)+\tau\log\pi_{v}\bigr)}\]校准让稀有切换在训练时获得更大梯度，但只在受限的转换词表内计算先验。这样可以避免被海量回复词带偏，两式分工明确。
整体损失再按来源加权平均，人机回复与人人转换占主导。
\[w_{i}=\begin{cases}\alpha,&\text{if }i\in(HA\cap R)\cup(HH\cap T)\\ 1-\alpha,&\text{if }i\in(HA\cap T)\cup(HH\cap R)\end{cases}\]对数几率校准 × 来源加权： 对数几率校准负责纠正长尾分布，它在受限的状态转换词表上按先验调整 logits，让稀有切换符不被淹没；来源加权负责区分监督价值，让人人数据的转换符与人机数据的回复词占主导。两者搭配是因为不平衡是词表内的不平衡、异构是数据源间的不对称，组合后一个管词频公平，一个管能力分工，共同实现双能力兼顾。
模型在什么预算下学会听与说？
这节明确说明存在真实的神经网络训练，而非纯规则推理。基座是 Qwen3-4B，扩展了转换符、静音符与角色前缀词表。
在 4 卡 RTX A6000 上以批量 256、AdamW、权重衰减 0.01 来微调，峰值学习率为 1.0e-5。上下文长度为 1024，受控设置最多 300 步并按验证损失早停。
放量混合最多 700 步，以容纳更大的上采样语料。线性调度预热比为 0.03，优化目标只算智能体回复与状态转换词。
下表根据论文正文与附录报告值整理，回答训练与转换到底用了哪些可复现的预算与阈值。它不是论文原表，但每个数字都能在引文里找到连续原句支撑。
该表覆盖硬件、优化、步数、划分与阈值 5 类信息，便于对照复现时逐项核对。硬件之外的显存占用与时长论文未报告，这是复现时缺的一块。
| 配置项 | 取值 | 控制变量 | 适用阶段 | 说明 |
|---|---|---|---|---|
| GPU 与批量 | 4 卡 A6000，批量 256 | 硬件预算 | 全程微调 | AdamW 权重衰减 0.01 |
| 学习率调度 | 峰值 1.0e-5，预热比 0.03 | 优化 | 全程微调 | 线性调度 |
| 上下文步数 | 1024，受控 300 步放量 700 步 | 训练预算 | 受控与放量 | 按验证损失早停 |
| 数据划分 | 7 比 1 比 2，Fisher 压缩验证 | 采样 | 划分 | 防验证集过大 |
| 转换阈值 | 32 毫秒，0.64 秒，1 秒 | 预处理 | 人人变换 | 停顿静音附和与过滤 |
表中受控与放量的步数差异对应语料量级的差异，放量需要更长的优化预算。划分上 ShareGPT 与 Switchboard 按对话 7 比 1 比 2，Fisher 验证比例压缩处理。
推理侧另有工程机制保障实时，转换符贪婪探测、回复采样保持多样。非法转换会被掩蔽，有界前视限制在途子句数。
打断时按播放时间戳切分在播子句并改写带，识别幻觉按阈值过滤。端到端首词发射延迟均值约 0.60 秒，其中感知约 0.17 秒、认知约 0.28 秒、电机约 0.15 秒。
在什么数据与感知条件下对比？
评估聚焦两大能力，轮次熟练度与语义保持。轮次在人人语料上以 teacher-forcing 方式，把每步预测当成每类转换符的独立二分类。
先在每类上算 F1，再在集合内平均，最后跨 Switchboard 与 Fisher 平均。语义用 VoiceBench，去掉 IFEval 后在 4 个子集上平均。
微调模型面对的是各自感知转写并交错转换符的碎片带，而零样本上界面对的是连续纯文本。这一点口径不对等，后文还会回扣。
IPU 级感知 × 词级感知： IPU 级感知按静音分段 1 次给出较完整块，负责保留语义连贯性；词级感知以更细粒度流式吐词，负责提供更频繁的打断管理时机。两者要对比是因为感知粒度直接改变训练带的碎片程度，组合观察才能揭示论文的核心权衡：更细的时间分辨率带来更多控制机会，却以语义碎片化与理解下降为代价。
为分离数据增益与感知粒度影响，论文在两种感知下对比。IPU 级 Faster-Whisper 与词级 SimulStreaming 都基于 Whisper-Turbo，以隔离主干差异。
主结果控制总训练词量与基线一致，放量实验则按比例上采样到最大分片。下表为论文原表整理的数据构成，单位为 1000 词，可核对受控与放量的量级差异。
该表直接决定了主结果谈的是净收益，还是数据量红利。表中可见基线仅用合成，放量组则上采样到两万量级。
| Configuration | Train (k) | Train (k) | Train (k) | Train (k) | Validation (k) | Validation (k) | Validation (k) | Test (k) | Test (k) |
|---|---|---|---|---|---|---|---|---|---|
| Configuration | FSH | SWBD | SGPT | SYN | FSH | SWBD | SYN | FSH | SWBD |
| Baseline | – | – | – | 1,344 | – | – | 165 | 5,600 | 444 |
| Ours (Token-matched) | 538 | 135 | 672 | – | 691 | 236 | – | 5,600 | 444 |
| Ours (Scaled Mixture) | 21,792 | 5,448 | 27,240 | – | 691 | 236 | – | 5,600 | 444 |
表中可见基线训练仅用合成约 1344 1000 词，受控组用人人加人机量级对齐。这种先对齐再放量的设计，让主结果能谈净收益。
放量结果则能谈语义恢复上限，而不把数据量红利误算成方法红利。测试集在两种设置下保持一致，保证了纵向可比性。
受控词量下轮次与语义能否同时超越合成基线？
下面这张表要回答的核心比较问题是，在总训练词量与基座一致时，解耦方法相比合成复现能否同时提升轮次与语义。统一条件是同一混合比与同一评估带构造，基线是 1500 系列合成带微调的模型。
指标方向很明确，轮次 F1 越高越好，VoiceBench 越高越好。两种感知分别报告，以分离数据增益与感知粒度的影响。
| Faster-Whisper | Faster-Whisper | SimulStreaming | SimulStreaming | |
|---|---|---|---|---|
| (IPU-level) | (IPU-level) | (word-level) | (word-level) | |
| Model | F1 ↑\uparrow | VB ↑\uparrow | F1 ↑\uparrow | VB ↑\uparrow |
| NFSM | 0.3436 | 53.57 | 0.3025 | 44.24 |
| Ours | 0.6498 | 62.14 | 0.6404 | 54.80 |
| Δ\Delta vs. NFSM | +0.3062 | +8.57 | +0.3379 | +10.56 |
最公平的净收益是 IPU 级下轮次提升 0.3062、语义提升 8.57。词级下对应提升 0.3379 与 10.56，说明真实时序与感知伪影建模是主要来源。
两种感知下轮次接近，但 IPU 级语义显著更高。这揭示细粒度感知虽提供更频繁的打断管理机会，却以语义碎片化为代价。
词级感知的语义即使提升后也只有 54.80，远低于 IPU 级的 62.14。这是感知设计本身的短板，不是损失能完全弥补的。
失败项也要正视，轮次 F1 是 teacher-forcing 下的词分类均值。它与在线交互体验有差距，不能直接推出用户会觉得更自然。
放量到 64.84 与反向通道居首意味着什么？
当按比例上采样到最大分片后，模型轮次微升到 0.6539。语义达到 64.84，与 Qwen3-4B 零样本上界 64.93 仅差 0.09。
同期端到端 Moshi 在同子集只有 27.36，报告显示这是在碎片带上恢复了基座语义。这支持了解耦配方的扩展性，但要提醒口径不对等。
上界面对连续纯文本，微调模型面对碎片带，能追平恰恰说明鲁棒性强。条件并不完全公平，追平的含金量反而更高。
在 Full-Duplex-Bench 上，上采样模型在反向通道频率与时机、用户反向通道恢复率及多类重叠恢复率居首或次席。例如用户附和恢复率达 0.98，平滑轮次与用户打断语义质量也居前列。
这支持事件引导确实教会了模型区分何种重叠值得让位。未胜出项是暂停处理，接管率偏激进，落后于 Freeze-Omni 与 Gemini Live。
SAC 损失取 0.6 与双源缺一不可的消融判断
下面这张表要回答的比较问题是，双能力增益是否依赖校准损失与双源互补。统一在 Faster-Whisper 感知下，对比去掉校准损失与单用人人或单用人机。
指标依然是轮次 F1 越高越好、VoiceBench 越高越好，基线包含合成复现以锚定下限。这种设计能分离损失贡献与数据分工贡献。
| Configuration | F1 ↑\uparrow | VB ↑\uparrow |
|---|---|---|
| Ours | 0.6498 | 62.14 |
| Ablation on Loss Function | Ablation on Loss Function | Ablation on Loss Function |
| w/o SAC loss | 0.6105 | 62.19 |
| Ablation on Training Data (w/o SAC loss) | Ablation on Training Data (w/o SAC loss) | Ablation on Training Data (w/o SAC loss) |
| HH only | 0.6182 | 18.30 |
| HA only | 0.4170 | 63.15 |
| Synthetic only (NFSM) | 0.3436 | 53.57 |
净收益上校准损失主要改善稀有切换召回，混淆矩阵显示开关符准确率提升。语义基本不变，说明它管的是公平而非内容。
反例很干净，人人单源轮次尚可但语义崩塌。人机单源语义很好但轮次平庸，证实分工必要。
此处要看 alpha 的影响曲线，请先注意横轴是来源强调程度。纵轴左侧是轮次相关、右侧是语义，重点看召回与精确率为何分叉。
看图路径： 1. 先看横轴 alpha 从 0.5 到 0.9 的变化方向；2. 再对比蓝色 F1 与绿色精确率的下降与红色召回的平稳；3. 最后看紫色 VoiceBench 曲线的缓慢上升
论文图 5。原论文 Figure 5:：“Impact of \alpha in the SAC loss.”。
从像素上看，红色召回线从 0.5 到 0.9 始终高位平稳甚至微升。绿色精确率线则持续下滑，蓝色 F1 随之走低，紫色 VoiceBench 缓慢爬升。
这说明校准损失天然偏向召回，与最大似然预训练偏好召回的观察一致。也解释了为何默认取 0.6 是在语义与轮次精度间的折中。
单带离散化压缩时间与暂停接管偏激进的代价
论文明确承认四点局限，单带把双通道连续时间压成离散词顺序。它必然丢失信息，文本带无法承载韵律情感等副语言。
表达力受限于现成合成，智能体通道保留普通人的原始内容。直接改写会扰动对齐，仅覆盖双人问答，未扩展到多方与角色条件对话。
审稿视角还指出合成基线多处占位符自选、语义上界口径不对等。轮次 F1 与在线体验差距未量化，暂停激进提示阈值敏感但缺扰动分析。
此处要看模型尺寸的影响，请先带着疑问去看。语义随尺寸变大是否必然更好，轮次是否也如此，重点对比两条线的走势分叉。
看图路径： 1. 先看横轴从 1.7B 到 4B 再到 8B 的模型增大；2. 再对比蓝色 F1 在 4B 见顶回落与紫色语义持续上升；3. 思考为何更大模型反而更难拟合高度特化的带格式
论文图 6。原论文 Figure 6:：“Impact of base model size.”。
图中可见横轴从 1.7B 经 4B 到 8B，紫色 VoiceBench 星形线持续上扬。蓝色 F1 圆点线在 4B 见顶后回落到 8B，这支持论文的假设性解释。
更大模型语义更强，但要拟合高度特化的带格式需更多努力。尚不能判断是数据量不足还是格式本身冲突，选 4B 是当前预算下的经验最优。
想复现这套配方要凑齐哪些拼图？
可复现的部分已经相当具体，基座 Qwen3-4B、1 比 1 与 4 比 1 混合比。温度 1 且 alpha 为 0.6，上下文 1024，峰值学习率 1.0e-5。
300 步与 700 步预算，划分与阈值如前表，流程上事件到映射、边界合并与合法性校验都有规则可依。数据上人人用 Fisher 与 Switchboard，人机用 ShareGPT 经规则过滤加改写。
合成基线用 GPT-4-Turbo 生成 1500 系列，感知用 Faster-Whisper 或 SimulStreaming，电机用 Kokoro 合成。这些链路都能按附录逐步搭建。
缺的部分也要点名，核心代码与权重指向 GitHub 但未给独立权重链接。数据集需自行申请，合成对话未公开，显存占用与时长未报告。
合成基线的轮数、场景分配、词数与话题池存在自选，严格复现需要补齐占位符。给刚入门者的建议是先复现变换管线而非直接训大模型。
解耦思维留下了什么可复用的配方？
回到开头的问题，机器何时该开口，这篇工作的回答很清晰。把何时交给真实人人对话，把说什么交给可配置人机文本。
再用全规则的事件引导变换与来源感知校准损失缝合成一条可训练的因果带。它不卖弄大模型编数据的能力，反而承认大模型编不出真实时序。
这种诚实让配方可扩展到任意人人语料且无需大模型标注，语义目标也可以随人机语料替换而改变。这是工程上最值钱的部分。
证据强度上，受控对比的双提升与放量后的语义恢复是最硬的两块。第三方榜单的反向通道与重叠恢复提供了外部佐证，局限同样清晰。
对于研究生而言，最值得带走的不是数字，而是按能力找数据源、按不平衡设损失的解耦思维。下一步自然是受控改写智能体通道而不扰动对齐。
补齐阈值扰动与在线体验测量，如果只能记住一句话，那就是先让数据诚实。再让损失公平，轮次自然会像人一样，该嗯时嗯，该停时停。
📎 论文与评分元数据
标签：#语音交互 | #大语言模型 | #流式处理 | #基准测试
7.0/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.2/1.5
✅ 7.0/10 | 前50% | 文档类型：方法研究 | 评分置信度：高 | #语音交互 | #大语言模型 | #流式处理 | #基准测试 | arxiv
⚖️ 评分依据与证据（展开查看）
逐维得分、全文证据与扣分边界
创新性 (1.5/2)：将轮次权威交给真实人人音频而语义交给可配置人机文本，配合 7 类事件到 14 条确定性映射和 N 与 I 细分，构成可扩展到任意人人语料的无 LLM 标注组合，超越单带合成蒸馏思路。
技术严谨性 (1.2/1.5)：非对称预处理对齐推理条件，重叠因果排序与边界合并继承 N 与 I 逻辑自洽并通过 FSM 合法性校验，未发现方法推导层面的明显错误，仅剩假设性解释未构成逻辑漏洞。
实验充分性 (1.0/1.5)：在 2 种感知粒度下轮次 F1 提升 0.3062 和 0.3379 且 VoiceBench 提升 8.57 和 10.56，并有 SAC 与单源消融支撑双源互补，但合成基线存在多处自选占位符且语义上界口径不对等，阈值扰动与在线体验差距亦未量化。
清晰度 (0.8/1)：对 5 类 FSM 语义、7 类事件、14 条映射与 4 条编译启发式分阶段叙述清晰，明确给出双源分工与单带压缩边界，附录进一步补足合并规则与延迟分解，整体可核对性较强。
影响力 (1.0/1.5)：按比例上采样后语义达 64.84 与 64.93 上界仅差 0.09，并在反向通道与多类重叠恢复居首或次席，为全双工语音交互提供可复用配方，但仅覆盖双人问答且单带离散化损失连续时间与副语言。
开源 (0.0/1.5)：论文未发布核心代码、模型权重或数据资源，也未给出明确的后续开源承诺。
可复现性 (0.3/0.5)：已披露 Qwen3-4B 基座、1 比 1 与 4 比 1 混合比例、tau 为 1 且 alpha 为 0.6、上下文 1024 与峰值学习率 1.0e-5 及 300 步与 700 步预算，补充分割与阈值，仅缺显存占用与时长等少量细节。
工程/实践价值 (1.2/1.5)：实测首 token 发射延迟均值约 0.60 s，其中感知 0.1689 s 与认知 0.2786 s 与电机 0.1481 s，另有解耦温度与受限解码与有界前视及播放中改写带，形成可直接部署的实时流水线。