边说边改还是停下让路：全双工智能体如何接住重叠话语

英文题目：Continue, Adapt, or Yield: In-Turn Adaptation to Overlapping Speech in Full-Duplex Agents

标签：#全双工语音交互 | #基准设计 | #语音 | #模型评估

评分：6.7/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 0.9/1.5 | 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 1/1.5

👥 作者与机构

• Yunqi Lu：机构信息未在 arXiv HTML 中可靠披露
• Tyler Baumgartner：机构信息未在 arXiv HTML 中可靠披露
• Nikhil Johri：Besimple AI, San Mateo, CA
• Brandon Tai：机构信息未在 arXiv HTML 中可靠披露
• Candice Fan：机构信息未在 arXiv HTML 中可靠披露
• Luc Debaupte：机构信息未在 arXiv HTML 中可靠披露
• Ruben Aguilar：机构信息未在 arXiv HTML 中可靠披露
• Bill Wang：机构信息未在 arXiv HTML 中可靠披露
• Yi Zhong：机构信息未在 arXiv HTML 中可靠披露

📌 核心摘要

全双工语音交互的输入是持话者A进行中话语与重叠插入者B同期音频的双通道混合，输出要求在不变继续、带回应的适应与让出话轮三者间抉择，难点在于协作性补全与打断在时间上皆表现为重叠且均触发语音活动，仅靠起止检测无法判断是否需吸纳内容。Duplex Cue先以能量语音活动检测加转写从无脚本英语对话中筛出候选并形成2591条线索库，其输出的切点与转写进入模型复核加人类确认环节以判定听者意图为后通道、协作或打断并保留时序证据与备选判断。前步得到的线索意图与切点再进入条件对话延续，由PersonaPlex在B起始前80ms接管A通道生成延续并与录音参照配对，由评分器对双方回应分别判为继续、适应或让出，其输出的回应分布即为主要评价结果。与仅区分继续或停止的既有榜单不同，该设计把听者意图与说话者回应正交解耦，使保留话轮内的内容吸纳可与话轮交接分开计量，从而避免把答后继续误记为抢话或让出。在66组协作配对条件下，录音人的适应率指标为68.2%，高于PersonaPlex的适应率指标34.8%。该结论适用边界限于英语无脚本对话、单检查点单次生成及双侧活跃可评子集，且协作标签见过回应后才判定，盲标重标与跨模型跨语言外推尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。

可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，读完要能复述什么？

本文的输入是双人无脚本英语对话的录音，其中 1 人在持话轮说话，另 1 人在其话语中途插入一段重叠语音。目标不是判断智能体有没有停下来，而是判断它在保留话轮的同时有没有接住对方刚给的东西。刚进入语音与音频领域的研究生需要先建立这个区分，因为全双工意味着边说边听，听到了协作性补全或澄清，正确动作可能是改口而不是闭嘴。

为此作者提出 Duplex Cue 评测。它把每 1 次事件拆成两个独立判断。第一个判断管听者意图，分为回馈、协作与打断。回馈英文是 Backchannel，指嗯啊等支持性短语，不要求改内容。协作英文是 Collaboration，指给答案、纠正、澄清提问、约束或补全，想塑造当前话语但不抢地板。

打断英文是 Interruption，指试图拿走或守住话轮。第二个判断管持话轮者的观察到的回应，分为不变继续、回合内适应与让出。不变继续英文是 Continued，指当作没听见继续原轨迹。回合内适应英文是 Adapted，指在本轮内承认、换说法或实质改写。让出英文是 Yielded，指把地板交出。

读完本文要能复述的是方法链条与证据口径。语料是 80 段双通道对话共 20.32 小时，39 位 18 到 64 岁参与者，平均每段 15.24 分钟。线索清单是 2591 个，其中回馈 1896 个、协作 361 个、打断 334 个。评测队列是 300 个人工确认的线索，3 类各 100 个，来自 65 段对话与 38 位参与者。主比较只保留持话轮者在线索起点活跃且双侧回应都可打分的配对，最终 208 对共 416 个回应。

模型是 PersonaPlex 单点案例研究，每次用切断点前最多 120 秒双人同步音频做条件，在切断点后生成 10 秒。输出是每类线索下的回应分布，而不是单一正确率。本文没有公开代码与数据的可用声明，语料与评测仓库按原文是访问受控，复述时不得声称已公开。

已有评测路线测了什么，为什么还缺边说边改？

第一条路线是听者贡献与重叠话语研究。它提醒我们重叠不等于竞争。延续语与评估、协作补全及其接受方式、暴露式纠正与嵌入式纠正、非竞争重叠与竞争话语的解决做法，都说明要同时看贡献与回应。教学例子是说话人卡住找名字，听者先给音节再给全名，说话人接过名字继续讨论发音。这里听者的贡献塑造了正在进行的话语，不需要开启新轮次。

第二条路线是全双工与轮次评测。已有工作测了轮次行为与回应语义、表演式对话中的打断与拒绝、打断下的状态更新、多轮质量、语义话题漂移与智能体主动打断，也测了语义打断点与停止代价、轮次事件理解与预测、回合结束与打断检测的事件分类。问题在于它们的回应轴没有为带着改写的继续留位置。原文指出某全双工综述在意图轴定义了 Repair，但在诊断格、状态机与覆盖表中都没有出现，其回应轴只有继续、停止、等待、回馈、忽略与发起，无法表达继续并改写。

第 3 条路线是条件式对话延续。它用真实双通道对话前缀生成延续，一侧录音继续，另一侧由模型生成。原文沿用该设定，选择紧贴听者贡献前的生成切断点，对比生成回应与对应录音回应。已有实例包括生成延续与单侧延续评测。本文的案例模型 PersonaPlex 在 Moshi 语音文本架构上增加声音与角色条件。理解这 3 条路线后，才能明白 Duplex Cue 不是重复打断评测，而是把本轮内承接与让出后的承接分开，单独测量前者。

要解决的交互问题如何形式化？

设说话人甲持有地板且思路未完，乙在甲仍在思考时贡献一段语音，称为线索。甲随后的行为称为回应。每个事件用两个标签描述，乙的线索意图与甲的观察到的回应。关键操作定义是回合内适应，它要求有证据的回应，发生在正在进行的轮次内，包括承认、改述与实质改写。它关心局部承接而非纠正是否正确。

这个形式化解决一个评分盲区。若只记是否继续说话，会把充耳不闻与边说边改混在一起。若只记是否迅速让出，会把协作补全误当成抢地板。原文的例子是乙问提议的停止时间是否可行，甲在乙还没问完就确认然后继续。已有方案会把它记成接管，或归为打断且只给回应记正确，或没有能同时容纳先答问再续原话的格子。形式化后，甲的行为是适应而非让出，评测应给予对应位置。

还需记住两个限定。打断类按乙明显试图拿地板定义，不论甲是否配合，因此包含未成功的争夺，若只看完成的地板转移，让出率按构造会更高。生成窗口是 10 秒，之后才解决的交接可能被截断，会低估双侧的让出。这两个限定决定了后文数字只能在相同窗口与相同定义下比较。

整体流程如何从录音走到配对比较？

全流程可以沿一个样本走一遍。先取一段双人录音，找到甲持地板且思路未完、乙在其第一个词到来时仍延续的时刻。在乙起点前 80 毫秒设生成切断点，要求甲在切断点仍在句中。把切断点前最多 120 秒的双人同步音频作为历史，其中甲的历史经过固定预制声音转换，乙保持原声。切断点之后乙的录音按原时间线继续播放，模型在甲的输出流上自由生成 10 秒。

甲原来的录音延续作为源条件。两类回应都转写并按共享时间线打分，比较同线索下的回应分布。

条件式对话延续 × 录制搭档： 条件式对话延续负责给出可比的生成起点，即用双人同步音频建立听与说的历史，到切断点后只让模型生成持话轮者通道；录制搭档负责固定另一侧输入，即听者的录制音频按原时间线继续播放，包含目标线索。搭配理由是固定听者时机可以把模型输出与对应录音回应配对比较，组合意义在于把交互中的时机与内容控制住，使差异可归因到回应策略而非话题漂移。

该流程的公平性来自三处控制。不提供线索标签、任务类别或人设文本，避免提示泄露。打分包只含被评侧切断点后的延续，另一侧延续被隐去，线索标签与配对判断也被隐去。主比较要求双侧在线索起点活跃且都可打分，排除一方沉默或证据不足的配对。这样模型与录音人的差异更可能来自回应策略，而不是话题或提示不同。

两个标签各自如何判定，边界在哪里？

线索意图的判定看乙的完整发展中的贡献与周围源语音，包括甲随后的回应，但要求独立于甲是否配合来判断乙的意图。回馈支持甲的轨迹且无实质改变或地板主张。协作提供答案、纠正、澄清、约束或补全且无地板主张。打断试图拿走或守住甲的地板，不论甲是否配合。若以承认为起点随后转为抢地板，可成为打断。

若竞争性解读仍都合理，则拒绝该事件。打断还需指出乙最早使地板主张清晰的实际词。生成仍相对乙首词开始。

线索意图 × 观察到的回应： 线索意图负责刻画听者贡献在局部想做什么，分为支持而不要求改内容的回馈、提供答案或补全而不抢话轮的协作、试图拿走或守住话轮的打断；观察到的回应负责刻画持话轮者随后做了什么，分为当作没听见的继续不变、在本轮内承认或改写的适应、把话轮交出的让出。二者必须分开标注才能把贡献与对待贡献的方式解耦，搭配后形成矩阵，避免把重叠一律当成抢话轮，也避免把不停说话一律当成成功。

回应判定的判定先建立甲的线索前轨迹与起点活跃性，再在线索标签隐藏下分类。继续要求有可用证据表明当作乙没贡献而推进。适应要求引用切断点后甲的词并明确链接到乙的贡献，且此前无已完成的交接。承认与小幅改述也算适应，共同话题或巧合用词不算。让出要求有把活跃地板交给乙的证据。

一旦交接成立，后续沉默或后续适应不再改判。每个可打分回应引用评估窗口内的定时词，继续与适应要求切断点后有词。无语音为静默排除，证据不足为不可用排除，空识别或空活动检测不直接当沉默。

继续不变 × 在回合内适应： 继续不变的分工是指出说话人没有可观察到的承接，话语轨迹按原计划推进；在回合内适应的分工是指出说话人在保留话轮的同时对线索做出局部承接，包括口头承认、换说法与实质改写。二者搭配的理由是它们共享不停说话的外形但交互意义相反，组合意义在于让评测同时检查地板行为与内容承接，防止用不停说话掩盖错过协作，也防止把有价值的边说边改误判为不停止。

初学者常误以为适应等于同意内容。原文明确适应不蕴含内容一致，双方可以都适应但展开方向不同。也常误以为打断一定对应让出，但录音显示打断下最常见的回应是边说边答或承认，而非交出地板。因此必须报告完整矩阵，而不是每类线索指定一个正确答案。

语料与线索清单如何从一万个候选收敛到可用事件？

起点是能量语音活动检测在每轨找区间，识别与词时间戳提供转写。词按中点归入区间，时间戳裁剪或平移到该区间。跨说话人比较提出乙在甲活跃时或甲末词后不到 0.5 秒开始的贡献，共 10478 个提议。模型初审筛查资格，要求甲在乙开始时持有地板且思路未完，有甲的话轮延续进乙首词的证据，甲词间不到 0.5 秒的停顿允许，乙可在甲轮内短暂停顿中开始，且甲在切断点仍在句中。这些标准针对录音对话，生成侧活跃性另行评估。

合格贡献再按意图分类，模糊、不可用、重复与超出分类的拒绝。每个决定保留定时证据、理由与最接近的备选。清单剩余 2591 个事件。人类在 60 个平衡线索上盲审模型标签，一致 49 比 60 即 81.7%，其中回馈 19 比 20，协作 14 比 20，打断 16 比 20，11 个分歧中有 7 个跨越协作与打断边界。该验证样本来自前 10 段对话，与评测选择队列分开。

评测队列经多人额外音频复核，优先时间重叠清晰且乙除目标线索外附加贡献较少，以降低归因模糊。最终 300 个人工确认试验 3 类各 100 个。选择决定的是受控的人工确认集合，不保留全语料中的自然占比，比较时必须按类读分布，不能直接外推到自然频率。

本研究训练了什么，没有训练什么，真实计算是什么？

本研究没有训练新模型，也没有微调 PersonaPlex。训练节在此的职责是讲清实际发生的计算，即条件生成、声音转换与打分。模型检查点是 nvidia 的 personaplex-7b-v1，修订号按原文记录，音频与文本温度分别为 0.8 与 0.7，top-k 分别为 250 与 25，生成种子为 42424242 加试验序号，运行在英伟达 A100 40 GB 配置，24 千赫单声道，每帧 80 毫秒，生成 125 帧并排除 2 帧延迟冲洗帧。提示长度向下取整到整帧但保留请求的切断点。原文未报告梯度路径与参数冻结更新，因此不得从模型名推定实现，也不得把无训练等同于确定性求解，温度与采样设置本身允许输出变化。

声音转换是为遵守不克隆承诺。甲的整轨经固定预制 George 声音转换后作为模型历史，跨切断点复用，报告队列用 98 条不同转换轨。乙输入与甲的录音参考回应保留原声。轨道归 1 到 24 千赫单声道脉冲编码调制，每约 240 秒在安静点附近分段，段边界前后各最多 1 秒重叠，无损格式送交提供方，输出裁剪到中央源坐标区间再拼接。原始时长变化超 80 毫秒拒绝该段，更小差异在段尾补齐或裁剪而不做时间拉伸。

转换设置包括稳定性 0.5、相似度增强 0.75、风格 0、说话人增强开启、去噪关闭，种子为 42424242 加段序号。转换器可见整轨源音频，模型只接收切断点前的转换后甲上下文，切断点后甲为静默 staging，乙按原时间线继续。打分计算是转录加模型评审。识别用转写服务给出词级时间戳，每个评审包结合最多 15 秒的前文输入输出转写、10 秒待评输出与同区间乙输入。评审用同一套书面打分技能，隐藏线索标签、期望动作与配对判断，要求给出理由、定时证据、最接近备选与置信度。不可用与低置信分别报告，不赋行为标签。

配对资格与打分验证如何保证比较条件一致？

主比较的资格收敛过程需要逐级核对。300 个选定配对试验先按活跃性过滤，有 87 对因活跃性不合格，剩余 213 对双侧活跃。再按可打分过滤，有 5 对因其中一侧不可用，剩余 208 对进入主比较，共 416 个回应。分到 3 类是回馈 81 对、协作 66 对、打断 61 对。活跃性不合格在协作与打断更多，提示生成侧在这些类别更容易沉默或证据不足，因此后文协作适应率是条件于双侧活跃与可打分的，不能直接当整体系统成功率。

下面这张表要回答的比较问题是选定的 300 对如何一步步收敛到可比的 208 对，公平条件是双侧在同一线索起点活跃且回应都有可用证据，指标方向是保留的配对数越多越能支撑按类分布比较。

上表之后必须强调收敛的代价与适用边界。协作从 100 对降到 66 对，打断从 100 对降到 61 对，说明主结果描述的是该子集内的行为。若把沉默与不可用也计入分母，适应率会变化，原文附录用覆盖表单独报告，因此重提数字时必须带上活跃可打分这一限定。打分验证用 150 个回应的人工复核，经针对性裁决后可比 142 个，一致 108 比 142 即 76.1%，置信区间 68.4 到 82.3，卡帕 0.641。若把 150 全放分母则为 108 比 150 即 72.0%。

这些裁决等级不是对当前打分器的全新独立复核。按打分标签看，让出一致最高，适应一致最低，这直接影响后文协作差距的可信度。原文还提醒线索意图标注时可见甲随后行为，协作部分由源端随后适应来识别，因此协作上 68.2% 的适应率有一部分是定义性的，而非完全独立的行为发现，最便宜的检验是遮住线索后音频的盲重标。

录音人在三类线索下实际如何分布？

主结果先看录音人参考，它显示没有哪类线索干净对应单一回应。回馈最接近，继续占多数但仍有适应。协作以适应为主，继续次之。打断最分散，适应与让出都常见，而最常见的回应不是交出地板，而是在继续说话的同时回答或承认。这个事实直接冲击把迅速让出当成打断唯一正确的评测，若按该标准，多数录音人回应会被记失败。

让出话轮 × 非让出： 让出话轮的分工是标记说话人把地板交出，属于话轮转移；非让出把不变继续与回合内适应合并，含义是说话人保留地板。搭配理由是已有指标常用停止或让出作为打断的唯一正确动作，组合意义在于揭示这种合并会丢失关键区别：在协作线索上录音人大量适应而模型分流为不变继续与让出，若只看是否让出，就会把边说边答与充耳不闻混为一类。

下表要回答的比较问题是在相同活跃可打分配对上源条件与模型条件的分布是否一致，公平条件是同线索配对、双侧活跃可打分、同一打分技能，指标方向按类读适应、继续与让出的份额变化。

表后解释需要同时给出收益与代价。收益是矩阵揭示了录音人的全谱行为，回馈源继续 58 个占 71.6%、适应 19 个占 23.5%、让出 4 个占 4.9%，协作源继续 15 个占 22.7%、适应 45 个占 68.2%、让出 6 个占 9.1%，打断源继续 9 个占 14.8%、适应 28 个占 45.9%、让出 24 个占 39.3%。代价是若用单一映射打分，源端映射一致率仅 127 比 208 即 61.1%，说明大量录音行为会被误判。未胜出项也要点名，打断下录音人让出不到 40%，任何要求逢打断必让的规则都会与人类参考冲突。同一表格还给出模型侧可运行策略的基线。

回馈模型继续 57 个占 70.4%、适应 17 个占 21.0%、让出 7 个占 8.6%，与源端几乎相同。协作模型继续 28 个占 42.4%、适应 23 个占 34.8%、让出 15 个占 22.7%。打断模型继续 10 个占 16.4%、适应 20 个占 32.8%、让出 31 个占 50.8%。这里模型在打断上让出更多、适应更少，与协作上的不对称方向一致，但在打断类让出更常合适，因此不能把让出增多一律当成错误。

协作线索上的适应差距由哪两条分流构成？

聚焦 66 个活跃可打分协作对，录音人适应 45 个占 68.2%，模型适应 23 个占 34.8%，差 33.3 个百分点。模型的其余回应分为不变继续 28 个占 42.4% 与让出 15 个占 22.7%，对应源端为 15 个与 6 个。因此模型适应率低同时反映不变继续与交接两条分流，若把适应与不变继续合并为非让出率，就会掩盖这一区别。配对分解支持描述性比较，模型适应的 23 个中有 20 个源端也适应，25 对只有源端适应，18 对双侧都不适应。

原文用 4 个协作试验说明标签如何落地，覆盖不同的回应组合而非只挑失败或成功。名字补全中乙先给音节再给全名，录音人接过名字继续讨论发音记适应，模型继续另一个候选名记继续。日程确认中乙问停止时间是否可行，录音人在乙没问完就确认然后继续记适应，模型掐断未竟短语直到乙问完才恢复记让出。装配描述中双方都适应但展开不同，说明适应不蕴含内容一致。日期字段澄清中录音人让出而模型边听边纠正记适应，呈现与常见模式相反的 1 例。这些是去标识定时改写，不是逐字转录，也不是额外人工验证。

该小节的结论必须带限制重读。回应一致在适应标签最低，线索一致在协作最低，且多数线索分歧跨越协作与打断边界，因此协作比较落在双标签最不可靠的格子上。应表述为报告显示差距并受标注噪声影响，而不是断言精确的能力差。适用条件也要讲清，仅在双侧活跃可打分、10 秒窗口、单检查点单次生成与英语条件下成立。

映射一致与覆盖诊断揭示了什么反证？

映射一致是次要描述统计，把回馈映射到继续、协作映射到适应、打断映射到让出。源端一致 127 比 208 即 61.1%，模型一致 111 比 208 即 53.4%。本节用两张诊断表分别回答映射总量是否可靠，以及主比较排除了多少沉默与不可用。第一张表要回答的比较问题是单一映射能保留多少人类行为，公平条件是同 208 对，指标方向是一致率越高越接近预设映射。

上表显示总量会误导。总量只差约 7.7 个百分点，看似接近，但按类看协作的仅源适应多达 25 对，打断的仅模型让出多达 17 对，说明总量把不同类别的行为抵消了。未胜出项是双侧都不对的 51 对，它们提醒预设映射本身与人类参考不一致，评价应读完整矩阵。代价是映射一致不是偏好判断，不能当成胜负分。第二张表要回答的比较问题是适应率的分母是什么，公平条件是区分已评回应与全部评测回应，指标方向是空输出与非活跃越少越能把条件结果推广到整体。

表后必须讲清覆盖的代价。全部 300 个回应中源端不可用 4 个、线索起点判非活跃 3 个、低置信 3 个；模型侧不可用 46 个、空识别 35 比 300、空活动检测 7 比 300、判非活跃 86 个、低置信 18 个。类别细分显示模型在打断空识别 23 比 100 与非活跃 37 个最严重，协作非活跃 33 个次之。主比较的 34.8% 是条件于双侧活跃与可打分，若把生成失败计入，整体表现会更低。

原文明确类别重叠且源端无识别与活动检测诊断，缺失测量不计入分母。复现时不得把自动指标当人评，也不得把条件分布当自然频率，百分点差与相对百分比差要分开表述。

哪些验证缺项限制了因果解读？

第一组限制是标注与验证。线索意图未对甲随后回应设盲，评审能看到甲的行为再判断乙是协作还是打断，协作部分由源端随后适应识别，因此协作适应率高有一部分是定义性的。回应类别跨标注者与证据格式的一致性尚未充分测量，目前只有一个人工评审，未报告人与人一致，系统音频复核与转录质量敏感性也有待补做，当前排除的回应尚未用听音区分排除原因。

线索验证一致率 × 回应评分一致率： 线索验证一致率负责说明意图标签有多可靠，人工在 60 个平衡样本上与模型标签的一致情况；回应评分一致率负责说明行为标签有多可靠，人工在 150 个回应上的复核与当前打分器的一致情况。二者搭配的理由是本研究的核心比较落在最不可靠的格子上，协作线索一致率最低而适应标签一致率最低，组合意义在于提醒读者把协作适应差距读作有标注噪声的描述性差异，而非精确到小数点的能力刻度。

第二组限制是受控与交互评估。当前比较把录音人置于原始对话上下文，把模型置于有限的转换后历史，历史长度与声音转换的贡献尚未分离。转换用非因果全轨输入，未来工作可用因果转换去掉对未来源音频的访问，并用量化检查时序与韵律变化。缺少无线索对照，难以区分线索驱动适应与自发延续。固定听者时机之外需要交互搭档，更长回应窗口才能捕捉让出后的延迟承接。

第三组限制是更广评估。结果只覆盖一个检查点、每试验 1 次生成、英语与重复参与者，主比较限于人工确认线索与满足活跃可打分的子集。推广到更多模型、多次生成、其他语言与独立采样对话仍待验证。更广采样需显式计入生成失败，才能把条件结果连接到整体系统性能与自然线索频率。在可公开或独立授权录音上的复刻才能拓宽可及性，当前语料需要授权工件与外部提供方。相关性不是因果，缺失的误判率、延迟与成本未测量时，不得承诺这些量得到改善。

要复现需要准备什么，按什么顺序做？

先准备授权与工件。按原文需要队列清单、源音频与转换后音频、推理设置与保存的评审证据，以及外部提供方访问。语料与评测仓库访问受控，参与者录音与转录不随手稿分发。PersonaPlex 使用英伟达开放模型许可，参考代码为麻省理工许可。复现前应确认研究与处理条款的审计记录，贡献者有不克隆承诺，因此甲历史必须经固定预制声音转换，不得构建特定人声音模型。声音转换不保证匿名，仿冒、深度伪造与从对话内容识别身份的风险仍存在，示例只能用去标识改写。

再按顺序重放计算。归一化到 24 千赫单声道，分段送转换，检查原始时长变化，超 80 毫秒拒绝该段。按试验用切断点前最多 120 秒双人同步音频做条件，甲输出流经教师强制建立历史，切断点在乙起点前 80 毫秒并裁零，切断点后停止供给甲录音词元，生成 10 秒，乙录音按原时间线继续。不提供线索标签、任务类别或人设文本。用同一转写服务得词级时间戳，组装评审包并用同一打分技能隐藏配对判断后打分。

保留定时证据、理由与音频指纹，分析用 300 试验队列与证据摘要标识的版本。固定提供方种子不必逐比特复现转换波形，以保存的转换波形为准定义评估输入。何时值得尝试取决于问题。若要开发全双工智能体且关心协作补全与澄清，应同时评估内容承接与地板行为，语义任务打分可进一步区分承认与成功纳入。若只关心是否停止，用停止延迟就够了，不必引入本框架。

还需补的验证包括盲重标线索意图、多名独立评审的人与人一致、历史长度与声音转换的对照、无线索对照与更长窗口。训练资源、推理开销与实际延迟要分别讨论，总体趋势不等于每组每步都成立。

核心判断与可带走的方法是什么？

核心判断是保留地板的同时回应听者，与保留地板但按原计划推进，是不同的交互，评测必须分开测量。证据是 208 个配对中录音人分布横跨 3 类回应，打断下适应 28 个而让出 24 个，协作下适应 45 个占 68.2%。模型在协作上适应 23 个占 34.8%，其余分流为不变继续 28 个与让出 15 个。回馈上双侧几乎相同，说明差距集中在需要内容承接的协作与部分打断，而非所有重叠。

可带走的方法是双标签矩阵加配对延续。双标签把听者想做什么与说话人如何对待分开，避免把重叠一律当抢地板。配对延续把听者时机固定，使模型输出与录音回应可比，输出是按类分布而非单一正确率。单模型研究用录制搭档展示了同时测量承接与地板行为的诊断价值，为跨模型与交互设置比较提供框架。

收束时回到适用边界。本研究是单模型、单次生成、英语、人工确认线索与活跃可打分子集内的描述性比较，打分依赖转录证据且适应格可靠性最低，10 秒窗口可能截断延迟交接，线索标注未设盲可能抬高协作适应率。因此评价全双工对话时，应同时问贡献如何塑造正在进行的话语，以及说话人是继续还是让出，而不应只问是否继续说话。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1

• 评分模型：muse-spark-1.3-contributor

• 评分请求协议：openai_responses

← 返回 2026-09-14 语音/音乐/音频论文速递