语音交互

📄 Casting Everything to Online API Services? A Survey of Integrating Localized Speech Recognition Models in Robotic Systems 标签：#语音识别 #自监督学习 #语音交互 #音频理解 #Transformer 5.4/10 | 创新 1/2 | 严谨 1/1.5 | 实验 0.8/1.5 | 清晰 0.8/1 | 影响 0.5/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1/1.5 📝 5.4/10 | 后50% | 文档类型：综述 | 评分置信度：高 | #语音识别 | #自监督学习 | #语音交互 #音频理解 | arxiv 👥 作者与机构 第一作者：Sheng Li（Institute of Science Tokyo） 通讯作者：Sheng Li（Institute of Science Tokyo） 作者列表：Sheng Li（Institute of Science Tokyo）、Jing Li（Eindhoven University of Technology， Department of Industrial Design）、Felix Schijve（Eindhoven University of Technology， Department of Biomedical Engineering）、Jun Hu（Eindhoven University of Technology， Department of Industrial Design）、Emilia Barakova（Eindhoven University of Technology， Department of Industrial Design） 💡 毒舌点评 亮点在于它为机器人工程师提供了一份清晰的“语音识别集成指南”，将零散的技术、平台和策略串联成一个可操作的框架。短板是作为一篇综述，其系统性和深度分析有限，更像是一篇高级别的技术路线图梳理，而非对领域关键矛盾的深入剖析。对技术演进的描述大多停留在概述层面，缺乏对具体技术优劣、适用边界及失败案例的批判性讨论。 ...

📄 Efficiently Adapting Spoken Language Models for the Singaporean Context 标签：#语音交互 #参数高效微调 #语音识别 #低资源 #音频理解 6.5/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 1/1.5 | 清晰 0.8/1 | 影响 1/1.5 | 开源 0/1.5 | 复现 0.3/0.5 | 工程 1.2/1.5 ✅ 6.5/10 | 前50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音交互 | #LoRA | #参数高效微调 #语音识别 | arxiv 👥 作者与机构 第一作者：Ng Jia Sheng Jason（Home Team Science & Technology Agency (HTX), Singapore，Language AI R&D） 通讯作者：Ng Jia Sheng Jason（Home Team Science & Technology Agency (HTX), Singapore，Language AI R&D） 作者列表：Ng Jia Sheng Jason（Home Team Science & Technology Agency (HTX), Singapore，Language AI R&D） 💡 毒舌点评 本文最大亮点在于针对新加坡政府敏感部门的具体需求，扎实地构建了一整套实用的工程流水线，从数据（HTD-multilingual-QA）到适配策略（LoRA + CoBa），最终产出了性能有竞争力的HT-Moonstone模型，对垂直领域的工业落地有明确参考价值。主要短板在于技术上的“组合创新”多于“原生创新”，LoRA、代理数据集、多任务加权等均为成熟技术，且未能开源核心产物，使其影响力大打折扣。 ...

📄 Immersive Social Interaction with VR and LLM-Assisted Humanoids 标签：#语音交互 #音频理解 #Transformer #模型评估 4.7/10 | 创新 1.2/2 | 严谨 1/1.5 | 实验 0.3/1.5 | 清晰 0.8/1 | 影响 0.3/1.5 | 开源 0/1.5 | 复现 0.1/0.5 | 工程 1/1.5 📝 4.7/10 | 后50% | 文档类型：系统技术报告 | 评分置信度：高 | #语音交互 | #Transformer | #音频理解 #模型评估 | arxiv 👥 作者与机构 第一作者：Niraj Pudasaini（未说明具体机构） 通讯作者：未说明 作者列表：Niraj Pudasaini（未说明）、Geeta Chandra Raju Bethala（未说明）、Pranav Doma（未说明）、Anthony Tzes（未说明）、Yi Fang（未说明） 💡 毒舌点评 本文构建了一个集语音控制、VR遥操作和双向音频通信的人形机器人系统，展示了工程整合的可能性。然而，其评估深度令人失望：仅凭两个演示任务的粗略成功率与耗时数据，便试图证明系统的价值，缺乏任何定量基线对比、关键性能指标（如命令解析准确率、系统延迟）的测量，以及验证各模块有效性的消融实验。论文对核心挑战（如依赖LLM进行机器人控制的安全风险、语音在复杂环境下的鲁棒性）的讨论浅尝辄止，使得这项工作更像一份技术演示报告，而非严谨的学术贡献。 ...

📄 A Reliability Assessment of LALM Audio Judges for Full-Duplex Voice Agents 标签：#语音质量评估 #语音交互 #模型评估 8.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1.4/1.5 | 开源 1/1.5 | 复现 0.3/0.5 | 工程 1.5/1.5 🔥 8.7/10 | 前25% | 文档类型：系统技术报告 | 评分置信度：高 | #语音质量评估 | #语音交互 | #模型评估 | arxiv 👥 作者与机构 第一作者：A. Sayyad（Salesforce Applied AI Research， eVerse团队） 通讯作者：未说明（论文未指定） 作者列表：A. Sayyad、J. Emmons、S. Jones、T. Lin、H. Krishnan（均隶属于Salesforce Applied AI Research， eVerse团队） 💡 毒舌点评 本文的亮点在于其面向生产部署的严谨实证设计，从多维度评分、跨模型验证到对抗性缺陷分析，为“LALM-as-a-Judge”在语音领域的落地提供了迄今为止最系统的可靠性证据。其评估流水线设计完整，统计方法互补，且对结果的解读审慎（如明确指出“无显著差异”不等于“证明等效”），体现了良好的研究规范。短板在于，作为一项实证研究，其分析深度略显不足。核心发现（如LALM在硬削波缺陷上的“认知错位”、天花板效应下指标失真）虽被细致描述，但未能深入探究这些现象背后LALM与人类感知机制的本质差异，也未结合更广泛的LALM可解释性研究进行讨论，导致论文的洞察深度停留在现象层面。 ...

📄 Decoupling Conversational Dynamics in Full-Duplex Spoken Models through Reinforcement Learning #语音交互 #多模态模型 #自监督学习 #低资源 8.2/10 | 创新 1.8/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.2/1.5 | 开源 0.2/1.5 | 复现 0.5/0.5 | 工程 1.3/1.5 🔥 8.2/10 | 前25% | #语音交互 | #强化学习 | #多模态模型 #自监督学习 | arxiv 👥 作者与机构 第一作者：Yuxin Li（Nanyang Technological University） 通讯作者：未说明 作者列表：Yuxin Li（Nanyang Technological University）、Donghang Wu（Nanyang Technological University）、Guan-Ting Lin（National Taiwan University）、Hung-yi Lee（National Taiwan University）、Chengwei Qin（The Hong Kong University of Science and Technology）、Zhehuai Chen（NVIDIA）、Chen Chen（NVIDIA） 💡 毒舌点评 该工作聪明地将全双工对话中“何时说话”与“说什么”解耦，用精心设计的局部窗口采样和因子化奖励把发声时机变成一个独立的 RL 优化目标，既保住了指令跟随能力又把交互指标拉满。但奖励函数的八个超参数和繁杂的惩罚项像是精心调制的独门秘方，其跨语言、跨风格的泛化性未经验证，且代码与模型均未开源，让社区难以深入复现和改进。 ...

📄 Hierarchical Acoustic-Semantic Modeling: Modality Separation and Semantic Coherence for Full-Duplex SLMs #语音交互 #语音大模型 #多模态模型 #端到端 #流式处理 9.2/10 | 创新 1.8/2 | 严谨 1.2/1.5 | 实验 1.1/1.5 | 清晰 0.8/1 | 影响 1.3/1.5 | 开源 1.2/1.5 | 复现 0.3/0.5 | 工程 1.5/1.5 🔥 9.2/10 | 前10% | #语音交互 | #语音大模型 | #多模态模型 #端到端 | arxiv 👥 作者与机构 第一作者：Zhenyu Liu（哈尔滨工业大学（深圳）计算机科学与技术学院；语言智能与机器中心，深圳河套研究院） 通讯作者：Baotian Hu（哈尔滨工业大学（深圳）计算机科学与技术学院；语言智能与机器中心，深圳河套研究院） 其他作者：Yunxin Li, Xuanyu Zhang（哈尔滨工业大学（深圳），语言智能与机器中心），Qixun Teng, Shenyuan Jiang（哈尔滨工业大学（深圳）），Haolan Chen, Minjun Zhao, Fanbo Meng, Yu Xu, Yancheng He（机构未详细说明），Haizhou Li（香港中文大学（深圳）人工智能学院），Min Zhang（哈尔滨工业大学（深圳），语言智能与机器中心） 💡 毒舌点评 本文以梯度冲突分析精准诊断了全双工SLM“既要又要”的模态干扰病根，层级参数分离的策略对症下药，逻辑清晰且实验扎实，为领域提供了高价值基线。遗憾的是，方法对合成数据的依赖构成显著硬伤，侧语难题被轻描淡写地归咎于数据而回避了架构本身的判别上限，这使得框架在真实世界的鲁棒性仍是一个巨大的问号。 ...

📄 DuplexChat: Constructing Speaker-Separated Full-Duplex Dialogue Speech at Scale for Spoken Dialogue Language Modeling #语音交互 #扩散模型 #语音分离 5.9/10 | 创新 0.6/2 | 严谨 0.7/1.5 | 实验 0.4/1.5 | 清晰 0.8/1 | 影响 0.8/1.5 | 开源 1/1.5 | 复现 0.4/0.5 | 工程 1.2/1.5 📝 5.9/10 | 前50% | #语音交互 | #扩散模型 | #语音分离 | arxiv 👥 作者与机构 第一作者：Wataru Nakata（The University of Tokyo, Japan） 第二作者：Yuki Saito（The University of Tokyo / JST BOOST） 第三作者：Hiroshi Saruwatari（The University of Tokyo） 通讯作者：未明确标注，推测为 Wataru Nakata 💡 毒舌点评 DuplexChat通过播客管道规模化构建说话人分离的全双工对话语料，填补了公开大规模双通道训练数据的空白，工程集成能力扎实，构建了当前最大规模对话语音资源（~415k小时）。但下游SDLM训练实验完全缺失，使得"适合全双工建模"的核心断言悬空；单通道混合到双通道估计的分离链路引入模型噪声，其分离错误对下游对话建模的长期影响并未讨论。更致命的是，论文仅与Fisher这一电话窄带语料对比声学质量，既未与J-CHAT等相近的播客/音视频对话语料对比，也未讨论pyannote日志模型的级联误差，导致语料真实可用性缺乏说服力。整体来看，这是一个优秀的工程基础设施论文，但缺少SDLM训练验证使其影响力大打折扣——就像造了一条高速公路却从未让它跑过车。 ...

📄 Metronome: Bound the Cache, Keep the Beat for Real-Time Interaction Model Serving #语音交互 #流式处理 8.7/10 | 创新 1.2/2 | 严谨 1.2/1.5 | 实验 1.2/1.5 | 清晰 0.9/1 | 影响 1/1.5 | 开源 1.2/1.5 | 复现 0.5/0.5 | 工程 1.5/1.5 🔥 8.7/10 | 前25% | #语音交互 | #Transformer | #流式处理 | arxiv 👥 作者与机构 第一作者：Jiaying Meng（Independent Researcher） 通讯作者：未说明 作者列表：Jiaying Meng（Independent Researcher）、Bojie Li（Pine AI） 💡 毒舌点评 本文以简洁的系统洞察切中交互语音模型服务的隐秘死穴——无界KV引发静默延迟悬崖，窗口化加准入控制的双药方既治标又治本，实验端到端且扎实。但单GPU、单引擎的验证格局让人对其跨生态普适性存疑，20次运行的统计量在系统论文中略显单薄，且sink kernel仅实现在Triton后端，FlashAttention路径仍无解，对工业部署的覆盖力打了折扣。 📌 核心摘要 本文揭示并解决了实时交互语音模型（Moshi、MiniCPM-o、Qwen-Omni系列）在推理服务中因无界KV缓存导致的内存耗尽型“延迟悬崖”：在持续会话下，延迟从数毫秒突然跳至约1.6秒，而引擎仍在“准时”返回空帧，导致常规延迟与超时监控完全失效。Metronome通过两个相互依赖的机制修复此问题：（1）在每个会话上施加窗口化KV缓存，仅保留最近W个token和少量固定注意力sink token，从而将无界状态变为有界状态；（2）基于恢复后的单调延迟信号，使用AIMD在线准入控制器发现可调度的并发数N*，并干净地丢弃溢出请求。端到端实验在四个交互模型上表明，窗口化KV将崩溃率从14/20降至0/20，控制器在约209个并发会话处稳定收敛（Qwen-Omni-30B，2s帧预算），而消融实验证明sink token对自由运行生成质量不可或缺。该原则可推广至任何具有周期性截止时间和无界状态的实时推理服务。 ...

📄 SPEARBench: A Benchmark for Naturalness Evaluation in Streaming Speech-to-Speech Language Models #语音交互 #大语言模型 #基准测试 #流式处理 #模型评估 8.9/10 | 创新 1.4/2 | 严谨 1.3/1.5 | 实验 1.2/1.5 | 清晰 0.8/1 | 影响 1.1/1.5 | 开源 1.5/1.5 | 复现 0.3/0.5 | 工程 1.3/1.5 🔥 8.9/10 | 前25% | #语音交互 | #大语言模型 | #基准测试 #流式处理 | arxiv 👥 作者与机构 第一作者：Thomas Thebaud（单位未明确说明，论文为匿名提交至 IEEE SLT 2026） 通讯作者：未说明 作者列表： Thomas Thebaud（未说明）、Yuzhe Wang（未说明）、Hao Zhang（未说明）、Sathvik Manikantan Napa Ugandhar（未说明）、Ashish Hallur（未说明）、Georgi Tinchev（未说明）、Venkatesh Ravichandran（未说明）、Laureano Moro-Velazquez（未说明） 💡 毒舌点评 这项工作的亮点在于，它首次将打断、方言跟随、情感关联、人际立场等高度离散的社会性对话维度塞进了一个可统一运行的自动化 Benchmark 里，并且数据、代码、排行榜网站全开源，对 S2S 模型的工程迭代确实有"开箱即用"的推进作用。但毒舌地说，这本质上是一个工程集成项目，所有评估器都是拿来即用的现成模型，缺乏对复合评估偏差、评估器自身错误在 Benchmark 中的影响分析，使得分数的解释力在严格学术意义上打了折扣；同时仅用英文双人问答场景，就冠以"通用对话自然度"的名号，结论的泛化性存疑。 ...

📄 \(\tau\)-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains #语音交互 #基准测试 #语音大模型 #模型比较 9.1/10 | 创新 1.5/2 | 严谨 1.2/1.5 | 实验 1.3/1.5 | 清晰 0.9/1 | 影响 1.2/1.5 | 开源 1.2/1.5 | 复现 0.4/0.5 | 工程 1.4/1.5 🔥 9.1/10 | 前10% | #语音交互 | #语音大模型 | #基准测试 #模型比较 | arxiv 👥 作者与机构 第一作者：Soham Ray（Sierra.ai, USA） 通讯作者：Victor Barres（Sierra.ai, USA; 另外 Soham Ray、Keshav Dhandhania 亦列通讯） 作者列表：Soham Ray（Sierra.ai, USA）、Keshav Dhandhania（Sierra.ai, USA）、Victor Barres（Sierra.ai, USA）、Karthik Narasimhan（Princeton University, USA） 💡 毒舌点评 这是一个填补空白的有力基准工作，巧妙地将对话动态测量与硬核任务完成揉在一起，提出的离时钟时间解耦框架虽不惊天动地，但工程上有可贵的可控性。然而论文对语音生成质量本身不评估，且用TTS模拟真实口音的说服力打折扣，实验仅英文、集中三大闭源模型也限制了结论的泛化性。好在小众但尖锐的声学消融实验给无障碍评估敲了警钟。 ...