轮次切换

论文以流式 Zipformer 编码器四个深度为轴，用加韵律的增量、从编码器重建韵律、逐特征增量三项检验说明手算韵律在原始输入上有大增益、进第一层后即塌缩，残余多为说话人层面的捷径而非边界定时。

共分析 48 篇语音/AI 论文

论文要解决在只有小写无标点文本时判断土耳其语话轮是否结束，做法是在土耳其语 GPT-2 上加结束标记做微调，最有力的结果是熟悉说话人下平均精度 0.148 并稳定超过多语检测器，代价是实用召回下误报仍然很多且一遇到停顿文本几乎失效。

共分析 21 篇语音/AI 论文

针对多人混合语音中只对目标说话人做语义轮次判断的问题，SpeakerTurn 在冻结声学通路下用 LoRA 联合生成目标转写与轮次状态，在合成测试上五状态宏 F1 达 0.811、目标转写 CER 为 4.20%，而结构化思维链降低了转写错误却也降低了轮次判别分数。

论文把训练语音分为多人多轮会话与单轮人机指令两类，在同一标注与同一流式模型下证明会话训练能大幅减少中途停顿处的误触发，但该优势在话语级判断中只出现在会话测试上，且以更长的等待延迟为代价。

论文用冻结的 Whisper 编码器加一个小的逻辑回归头做话轮结束检测，在 CALLHOME 五种语言上测零样本跨语言迁移、少量目标语言适配和阈值复用，发现跨语言差距很小且因果流式处理是主要代价。

共分析 47 篇语音/AI 论文

针对全双工语音模型在用户打断与附和时的让路或保持决策，论文用事件窗口内停止概率的闭式似然替代整段采样的 GRPO 奖励，在六个开源模型上取得最优让路保持 F1 且不增加静音下重开话轮的副作用。

共分析 80 篇语音/AI 论文

论文用 240 段合成多方对话同时考轮次结束与成功抢话两件事，发现轮次结束可达 92.6% 召回而抢话最高仅 56.2%，且五个全双工智能体进场很准但选择性让话接近随机。

论文针对全双工语音模型每次只能固定一种抢话多少的风格的问题，提出从模型自身对话中提取晚层残差方向并按剂量加减来读写抢话倾向，再用五分钟参考录音为每个人选剂量，最强证据是换用他人剂量在 93% 左右以上情形下匹配变差，而统一剂量与不干预无区别，代价是每帧都要做加法干预并需在开发对话上试剂量。

VoxTurn 把轮次结束等多个判断写成选择题并用一次前向同时给出答案，在真实对话停顿上训练并在静音中反复查询，在 eot-bench 英语 300 ms 预算下误抢断 11.5%，单次判断约 8.3 ms。

共分析 69 篇语音/AI 论文

论文把实时语音系统放到 176 段闲聊的真实停顿和话轮末尾，比较它是否像真人一样保持沉默或接话，最强证据是托管 API 几乎从不沉默而全双工模型才会沉默，代价是历史输入通道不同且标注和触发方式影响结论适用范围。

共分析 146 篇语音/AI 论文

该研究解决在分通道自然对话录音中把语音活动还原为轮次和反馈两类交互单元的问题，用语音检测加能量过滤加合并加转写加上下文后处理得到初版标注，在 99 段丹麦语对话上检出 F1 约 0.62 且匹配段的中位边界误差约零点十几秒，代价是仍需人工复核且对参数敏感。

论文针对全双工语音模型边听边说的耦合互动难以用固定考官评价的问题，提出让两个模型直接对话并都被离线打分的 DyaFDB 框架，用 140 个场景 7560 段对话证明分数是两人共同决定的，代价是需要成对录制与离线评判。

论文让两个 PersonaPlex-7B 直接交换音频 token 自由对话，用同一套 floor-transfer 规则测量接话时机，发现模型之间能相互耦合但中位间隔比人大三到四倍，且延迟扫频与分布形状支持反应式等待而非人类式提前预测。

Jarvis 针对共享文档的多人讨论，用小型模型的检测加规则门限决定是否纠正遗漏或说错的事实，并用等候空档与举手加屏幕引证来进入对话，在合成与真实会议中验证了时机与正确性，但结论只在文档可查证的范围内成立。