論文の概要: Low-Latency Turn-Taking via Context-Aware Preface Generation in a Real-World Dialogue Robot

• arxiv url: http://arxiv.org/abs/2607.23204v1
• Date: Sat, 25 Jul 2026 13:54:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.027916
• Title: Low-Latency Turn-Taking via Context-Aware Preface Generation in a Real-World Dialogue Robot
• Title（参考訳）: リアルタイム対話ロボットにおけるコンテキスト認識によるローレイテンシ・ターンタイキング
• Abstract要約: 大言語モデル(LLM)に基づく対話システムは、最終音声認識後にのみ生成が始まるため、応答遅延に悩まされる。 そこで本研究では,事前応答準備を音声開始から切り離すための2段階の段階的フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.653844730404604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-based dialogue systems suffer response delays because generation begins only after final speech recognition. While fixed fillers are a workaround, they become unnatural over time. We propose a two-stage incremental framework that decouples prefatory-response preparation from speech onset. Once user intent becomes predictable, an intent readiness detector triggers LLM-based generation of a short prefatory response. Concurrently, a voice activity projection (VAP) model determines when to deliver it. Through a field experiment with a route-guidance robot in a shopping mall, we evaluated three conditions: no-filler, fixed-filler, and contextual-preface. Both fixed-filler and contextual-preface significantly reduced initial response latency relative to no-filler. Relative to fixed-filler, contextual-preface had significantly longer initial response latency but a significantly shorter initial-to-main gap. Exploratory ratings showed no significant differences. These results indicate a timing trade-off.
• Abstract（参考訳）: 大言語モデル(LLM)に基づく対話システムは、最終音声認識後にのみ生成が始まるため、応答遅延に悩まされる。 固定フィラーは回避策だが、時間が経つにつれて不自然になる。 そこで本研究では,事前応答準備を音声開始から切り離すための2段階の段階的フレームワークを提案する。 ユーザ意図が予測可能になったら、インテント準備検知器は、短時間の予測応答をLCMベースの生成をトリガーする。 同時に、音声活動予測(VAP)モデルがいつ配信するかを決定する。 ショッピングモールにおける経路案内ロボットを用いたフィールド実験により, 未充足機, 固定充足機, コンテキストインタフェースの3つの条件について検討した。 固定文と文脈文の両方が、No-fillerに対する初期応答遅延を著しく低減した。 固定フィラーとは対照的に、コンテキスト-インタフェースは初期応答遅延がかなり長く、初期-メイン間ギャップが著しく短い。 有意差は認められなかった。 これらの結果はタイミングトレードオフを示している。

関連論文リスト

• A Practical Evaluation Method for Long-Form Simultaneous Speech-to-Speech Translation [9.807543197382016]
  シマルS2ST (SimulS2ST) はリアルタイム言語間通信を実現する。 長文SimulS2STの実用的評価法を提案する。
  論文  参考訳（メタデータ） (2026-06-13T02:20:49Z)
• Overcoming State Inertia in Full-Duplex Spoken Language Models via Activation Steering [87.43777061308658]
  フル音声言語モデル(FDSLM)における予測行動の解析 FDSLMは、モデル出力生成に整合した生成状態と、ユーザ入力に整合した知覚状態の2つの状態間の内部焦点を動的に変調する。 ユーザ中断中は、モデルが知覚状態に遷移する前に生成状態に対して過渡的に偏りを保ち、入力の開始を逃す。
  論文  参考訳（メタデータ） (2026-06-09T19:08:07Z)
• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• Can Speech LLMs Think while Listening? [34.188674303810394]
  CoT(Chain-of- Thought)はテキストベース音声モデルの推論能力を大幅に向上させることが示されている。 そこで本研究では,テキスト空間における推論により,音声のLLMの精度が平均2.4倍向上することを示す。 ユーザクエリが終了する前に,モデルが推論を開始できるようにすることで,推論から追加のレイテンシを低減する手法を提案する。
  論文  参考訳（メタデータ） (2025-10-08T19:50:58Z)
• Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
  従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。 本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。 提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T14:18:20Z)
• Mini-Omni-Reasoner: Token-Level Thinking-in-Speaking in Large Speech Models [80.75260664100644]
  Mini-Omni-Reasonerは、"Thinking-in-Speaking"という新しい定式化を通じて、音声内での推論を可能にするフレームワークである。 トークンレベルで音声応答トークンとサイレント推論トークンをインターリーブする。 算術的推論では+19.1%、文脈的理解では+6.4%、出力は短く、復号遅延はゼロである。
  論文  参考訳（メタデータ） (2025-08-18T15:14:04Z)
• PredGen: Accelerated Inference of Large Language Models through Input-Time Speculation for Real-Time Speech Interaction [43.166432402609296]
  大規模言語モデル(LLM)は、音声応答を生成するためのテキスト音声合成(TTS)システムと組み合わせたリアルタイム音声チャットアプリケーションで広く使われている。 その大きなサイズは、しばしばユーザ入力の終端からオーディオ出力の開始までの顕著なレイテンシをもたらす。 予測生成(PredGen)は,入力時の投機的復号化による遅延を軽減あるいは解消する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-06-18T15:29:02Z)
• Recent Advances in Speech Language Models: A Survey [45.968078636811356]
  音声言語モデル(SpeechLMs)は、テキストから変換することなく音声を生成するエンドツーエンドモデルである。 本稿では,近年のSpeechLM構築手法について概観する。
  論文  参考訳（メタデータ） (2024-10-01T21:48:12Z)
• Predictive Speech Recognition and End-of-Utterance Detection Towards Spoken Dialog Systems [55.99999020778169]
  本稿では,次の単語を予測し,発話終了まで残される時間を推定する機能について検討する。 我々は,音響情報と言語情報の両方を組み込んだクロスアテンションに基づくアルゴリズムを開発した。 その結果,提案モデルでは,提案する単語を予測し,将来のEOUイベントを実際のEOUより300ミリ秒前まで推定する能力を示した。
  論文  参考訳（メタデータ） (2024-09-30T06:29:58Z)
• Human Latency Conversational Turns for Spoken Avatar Systems [5.713053302240483]
  本稿では,発話をリアルタイムに理解し,人間レベルの会話の発声遅延に対応するために応答を生成する手法について論じる。 Google NaturalQuestionsデータベースを用いて、GPT-4は、質問の60%以上を最後に、削除された単語から欠落したコンテキストを効果的に埋めることができることを示す。
  論文  参考訳（メタデータ） (2024-04-11T20:20:48Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

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。