論文の概要: Instruct-FD: Can Your Full-Duplex Speech System Follow Turn-Taking Instructions?

• arxiv url: http://arxiv.org/abs/2607.20460v1
• Date: Fri, 15 May 2026 03:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.180795
• Title: Instruct-FD: Can Your Full-Duplex Speech System Follow Turn-Taking Instructions?
• Title（参考訳）: インストラクションFD:フルダブルプレックス音声システムはターンタイキングのインストラクションをフォローできるか?
• Abstract要約: これは、会話ポリシーがアプリケーションによって異なる現実世界のデプロイメントにおいて重要なことです。 6つの最先端のフルシステムは、ターンマネジメントに続く命令にかなりのギャップがあることが示される: 最良のモデルは64.4%のみである。 これらの知見は, 管理システム構築における重要な方向性として, 指示追従型ターンマネジメントを確立した。
• 参考スコア（独自算出の注目度）: 28.523326410588492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current full-duplex (FD) spoken dialogue systems can produce fluid interactions, yet it remains unclear whether they can adapt their turn-taking behavior when explicitly instructed. This is critical for real-world deployment, where conversational policies vary across applications (e.g., proactive tutoring vs. passive counseling). We introduce Instruct-FD, an instruction-conditioned benchmark for evaluating controllable turn management in FD systems. To enable this, we develop a human-validated, scalable synthetic pipeline that generates instruction-conditioned conversations, along with a deployment-agnostic multi-turn evaluation protocol and an LLM-based judge. Benchmarking six state-of-the-art full-duplex systems reveals a substantial gap in instruction-following turn management: the best model achieves only 64.4% adherence. Performance is highly uneven across behaviors and scenarios, with proactive behaviors such as model backchanneling and interruption remaining particularly challenging. These findings establish instruction-following turn management as a crucial direction for building adaptable and deployable full-duplex dialogue systems.
• Abstract（参考訳）: 現在のフルダブルプレックス(FD)音声対話システムは流体相互作用を生成できるが、明示的に指示された場合のターンテイク動作に適応できるかどうかは不明である。 会話のポリシーはアプリケーションによって異なる(例えば、プロアクティブなチューターとパッシブカウンセリング)。 本稿では,FDシステムにおける制御可能なターン管理を評価するための命令条件付きベンチマークであるInstruct-FDを紹介する。 これを実現するために,命令条件付き会話を生成する,有能でスケーラブルな合成パイプラインを開発し,デプロイメントに依存しないマルチターン評価プロトコルとLCMベースの判断器を開発した。 最先端の6つのフルデュプレックスシステムのベンチマークでは、命令追従のターンマネジメントにおいて大きなギャップが示され、最良のモデルは64.4%の順守しか達成できない。 モデルバックチャネルや中断といったプロアクティブな動作は、特に難しいままです。 これらの知見は、適応的でデプロイ可能な全二重対話システムを構築するための重要な方向として、指示追従型ターンマネジメントを確立した。

関連論文リスト

• DuplexSpeechBench-IFEval: Evaluating Implicit Instruction Following in Full-Duplex Voice Agents [67.07361089429757]
  6つのリアルタイム音声システムを用いて, 実時間床の付着度を測定した。 アーキテクチャに依存したトレードオフを見つけます。 GPT-Realtime, Mini-o Duplex, Fun-Audio-Chatはペルソナ一貫性のあるコンテンツに強く固執する。
  論文  参考訳（メタデータ） (2026-09-03T06:28:02Z)
• S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement? [66.17176838165994]
  大規模言語モデル(LLM)は、ますます外部環境と相互作用し、かなりの行動経験を蓄積する。 エージェントがその振る舞いを積極的にテストし、得られた経験を判断し、その経験を使って将来の意思決定を改善することができるかどうかは不明だ。 LLM自己改善評価のための対話型ベンチマークである textbfStextsuperscript3Gym を導入する。
  論文  参考訳（メタデータ） (2026-08-31T17:05:41Z)
• Facet-Level Persona Control by Trait-Activated Routing with Contrastive SAE for Role-Playing LLMs [6.715533531385597]
  Role-Playing Agents (RPAs) におけるパーソナリティコントロールは、トレーニング不要の手法によって一般的に達成される。 本稿では,Big Five 30-facetモデルに適合する顔レベルの人格制御ベクトルを学習するSparse AutoEncoderフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T12:39:02Z)
• One Battle After Another: Probing LLMs' Limits on Multi-Turn Instruction Following with a Benchmark Evolving Framework [51.50565654314582]
  大規模言語モデルは、複数のトピックにまたがる対話を通して、ユーザの指示に従うことができる。 既存のベンチマークは、しばしば一定回数のターンに制限されるため、飽和の影響を受けにくく、ユーザのインタラクティブなエクスペリエンスを考慮できない。 マルチターン命令追従能力を評価するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T14:39:59Z)
• Prompt Decorators: A Declarative and Composable Syntax for Reasoning, Formatting, and Control in LLMs [0.0]
  本稿では,コンパクトな制御トークンを通じて動作を管理する宣言的・構成可能な構文であるPrompt Decoratorsを紹介する。 それぞれのデコレータは、タスクの内容を変更することなく、冗長な推論スタイル、構造、トーンなどの振る舞いの次元を変更する。 それは、予測可能で監査可能な振る舞い合成を可能にする統一構文、スコーピングモデル、決定論的処理パイプラインを定義する。
  論文  参考訳（メタデータ） (2025-10-21T17:35:49Z)
• Data-Model Co-Evolution: Growing Test Sets to Refine LLM Behavior [10.041741229516141]
  大きな言語モデル(LLM)により、開発者はプロンプト命令を編集することでモデルの振る舞いを制御できる。 我々はこのパラダイムを対話型システムで運用し、微妙でドメイン固有のポリシーをインシデントインストラクションにエンコードするという課題に対処する。
  論文  参考訳（メタデータ） (2025-10-14T17:07:37Z)
• Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
  VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。 Instruct-Verify-and-Act(IVA)を提案する。 実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
  論文  参考訳（メタデータ） (2025-08-22T10:54:33Z)
• Full-Duplex-Bench: A Benchmark to Evaluate Full-duplex Spoken Dialogue Models on Turn-taking Capabilities [93.09944267871163]
  FullDuplexBenchは、重要なインタラクティブな振る舞いを体系的に評価するベンチマークである。 ベンチマークコードを公開することによって、音声対話モデリングの進歩と、より自然で魅力的なSDMの開発を目指しています。
  論文  参考訳（メタデータ） (2025-03-06T18:59:16Z)
• On the Loss of Context-awareness in General Instruction Fine-tuning [101.03941308894191]
  教師付き微調整後の文脈認識の喪失について検討した。 性能低下は,会話指導の微調整中に学んだ異なる役割に対する偏見と関連していることがわかった。 一般命令微調整データセットから文脈依存例を識別する指標を提案する。
  論文  参考訳（メタデータ） (2024-11-05T00:16:01Z)
• Inductive-Deductive Strategy Reuse for Multi-Turn Instructional Dialogues [15.959842501166511]
  本稿では,ユーザシミュレータが多様かつ詳細な命令を提示するのを支援するために,複雑なルールを明示的に捉えることを提案する。 実験結果から,本手法は多種多様かつ詳細な命令を生成可能であることが示された。
  論文  参考訳（メタデータ） (2024-04-17T06:26:32Z)
• DiactTOD: Learning Generalizable Latent Dialogue Acts for Controllable Task-Oriented Dialogue Systems [15.087619144902776]
  本稿では,潜在空間における対話行動を表現する対話行動モデル(DiactTOD)を提案する。 大規模なコーパスで事前トレーニングを行うと、DiactTODは対話を予測し制御し、制御可能な応答を生成する。
  論文  参考訳（メタデータ） (2023-08-01T23:29:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。