論文の概要: Continue, Adapt, or Yield: In-Turn Adaptation to Overlapping Speech in Full-Duplex Agents
- arxiv url: http://arxiv.org/abs/2609.13117v1
- Date: Fri, 11 Sep 2026 17:46:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.82932
- Title: Continue, Adapt, or Yield: In-Turn Adaptation to Overlapping Speech in Full-Duplex Agents
- Title（参考訳）: 連続, 適応, 収量: 全二重エージェントにおける重畳音声へのインチューン適応
- Abstract要約: フル音声エージェントにおけるテンピン適応の評価法であるDuplex Cueを紹介する。
人文確認されていない英語会話を300件使用した単一モデル実験において, 聴取者の手がかりを再現しながら生成した人間の反応を比較検討した。
話者は68.2%、ペルソナプレックスは32.4%である。
- 参考スコア（独自算出の注目度）: 2.745780834143671
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full-duplex evaluation often emphasizes whether an agent keeps speaking or stops. That binary cannot express a third response humans use routinely: continuing to speak while incorporating what the listener just contributed. The contribution may be a missing word, a correction or a clarification. We introduce Duplex Cue, an evaluation of this \emph{in-turn adaptation} in full-duplex voice agents. Duplex Cue separates listener intent (backchannel, collaboration, or interruption) from speaker behavior: continuing unchanged, adapting within the turn, or yielding. Adaptation includes acknowledgment as well as content revision. In a single-model case study using 300 human-confirmed cues from unscripted English conversations, we compare recorded human responses with PersonaPlex continuations generated while replaying the listener's audio. We retain 208 pairs with the ongoing speaker active at cue onset and a scorable response in each condition. On the 66 collaborative pairs, recorded speakers adapt in 68.2\% of cases, compared with 34.8\% for PersonaPlex. The model otherwise continues unchanged (42.4\%) or yields (22.7\%). These findings show why evaluating natural voice interaction requires measuring how an agent responds to a listener's contribution as well as whether it keeps speaking.
- Abstract（参考訳）: フルデュープレックス評価は、エージェントがしゃべり続けるか止まるかを強調することが多い。
このバイナリは、人間が日常的に使用する第3の応答を表現できない。
貢献は、欠落した単語、訂正または明確化かもしれない。
フル二重音声エージェントにおけるこのemph{in-turn adaptation}の評価であるDuplex Cueを導入する。
Duplex Cueはリスナーの意図(バックチャネル、コラボレーション、中断)を話者の行動から切り離す。
適応には、承認とコンテンツ修正が含まれる。
音声聴取者の音声を再生しながら生成したPersonaPlex継続音声と、記録された人間の応答を比較検討した。
我々は、cue開始時に継続する話者と208対のペアを保持し、各条件でスコーラブル応答を示す。
66のペアでは、録音された話者は68.2\%で適応し、ペルソナプレックスは34.8\%である。
それ以外の場合、モデルは変化しない (42.4\%) または収率 (22.7\%) である。
これらの結果から, 自然な音声の相互作用を評価するには, エージェントが聴取者の貢献にどう反応するか, 会話を続けるかを測定する必要があることが示唆された。
関連論文リスト
- Realtime-Venus: A full-duplex interaction system with asynchronous delegation [59.69745588222872]
音声対話のためのリアルタイム・リアルタイム・オムニ・オーディオ・インタラクションとリアルタイム・オーディオ・スポーケンを提示する。
それぞれのモデルは完全な会話として機能し、連続認識、会話制御、およびネイティブ音声生成を統合する。
論文 参考訳（メタデータ） (2026-09-12T08:56:50Z) - SteerDuplex: Steerable Duplex Speech Dialogue Models [47.277615720741046]
音声対話モデルは、指示、発声、推論、対話を対象とする自然な会話や合成対話を微調整する。
2段階強化学習(RL)とハイブリッド報酬を併用し、検証可能な相互作用チェックと判断に基づくフィードバックを組み合わせて応答継続性を向上させる。
さらにRLはソースクリーン割り込み反応を72.5%から82.5%に引き上げ、合成停止バージインを26.5%から9%に減少させる。
論文 参考訳（メタデータ） (2026-09-11T09:22:46Z) - DuplexJail: Safety Alignment Breaks Under Spoken Interruption in Full-Duplex Models [16.95513039797219]
固定遅延割り込みはAdvBenchの攻撃成功率をペルソナPlexの40.3%、ペルソナPlexRLの48.7%に引き上げる。
拒絶政策は、それぞれ35.6%と48.6%に達し、全ての試験は、中断が生じたかどうかにかかわらず行われた。
これらの結果から, 音声の中断は, 連続した相互作用を通して安全性を評価するジェイルブレイク攻撃であることがわかった。
論文 参考訳（メタデータ） (2026-09-08T20:19:24Z) - ConversationalVoice: Full-Duplex Speech Data from Real Conversations through Source-Faithful Reconstruction and Conversation-Grounded Expansion [5.90805749495021]
完全な音声モデルは訓練を必要とするが、ノイズの多い現実世界の録音では、話者間で信号が絡み合っている。
安定な話者行動を持つパイプライントラックを提示し、データ特性のみを評価する。
フル-3.2%のモデルトレーニングで 下流での上昇は 今後も続く。
論文 参考訳（メタデータ） (2026-09-08T02:28:43Z) - 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) - TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue [79.83228182492354]
自然な会話の話し手は、話と聞き取りを交互に行い、いつ床をつかむか、保持するか、または譲るかをリアルタイムで決める。
そこで本研究では,30時間の人的会話を手作業でラベル付けしたコーパスを,エンド・オブ・ターンと割り込み検出のための標準評価プロトコルと組み合わせたベンチマークTurnBenchを提案する。
一方、割り込み偽陽性は強く型依存的であり、バックチャネル・デンス相互作用スタイルに集中している。
論文 参考訳（メタデータ） (2026-08-25T23:14:36Z) - Hear2Act: Benchmarking When Prosody Should Change What an Assistant Does [27.909684871924004]
本稿では,テキストと音声アシスタントの統一評価プロトコルであるHear2Actを紹介する。
我々は、転写、音声、および関心状態アクセスに基づく意思決定を評価する。
語彙的証拠が不十分な場合には韻律が重要であることを示す。
論文 参考訳（メタデータ） (2026-08-20T00:16:36Z) - Chronological Thinking in Full-Duplex Spoken Dialogue Language Models [66.84843878538207]
時系列思考は、完全なSDLMの応答品質を改善することを目的としている。
追加のレイテンシがない: ユーザが話すのをやめると、エージェントは考えるのをやめ、それ以上の遅延なしに話し始める。
結果: 客観的指標と人的評価の両面から, 時系列思考の有効性を示す実験を行った。
論文 参考訳（メタデータ） (2025-10-02T10:28:11Z) - X-TURING: Towards an Enhanced and Efficient Turing Test for Long-Term Dialogue Agents [56.64615470513102]
チューリングテストは、自然言語の会話においてAIが人間のような振る舞いを示すかどうかを調べる。
従来の設定では、各参加者は一度に1つのメッセージに制限される。
本稿では,textitburstダイアログパターンを用いて,元のテストを強化するtextbftextscX-Turingを提案する。
論文 参考訳（メタデータ） (2024-08-19T09:57:28Z) - Prediction of User Request and Complaint in Spoken Customer-Agent
Conversations [0.0]
このコーパスには音声会話の書き起こしが含まれており、Train と Devel の2つのセットに分けられた。
6つの言語的特徴セット、6つの音声特徴セット、2つの音声対話特徴セットについて検討した。
結果から,言語的特徴が常に最良の結果をもたらすことが明らかとなった(要求タスクは91.2%,苦情タスクは70.3%)。
論文 参考訳（メタデータ） (2022-07-27T21:29:38Z) - Responsive Listening Head Generation: A Benchmark Dataset and Baseline [58.168958284290156]
本研究では、応答型リスニングヘッド生成タスクを、複数の入力に応答する動きと表現を持つ非言語ヘッドの合成として定義する。
音声によるジェスチャーや音声のヘッド生成とは違って,いくつかの研究分野の恩恵を期待して,このタスクにより多くのモーダルを導入する。
論文 参考訳（メタデータ） (2021-12-27T07:18:50Z)
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。