論文の概要: Full-Duplex Speech Models Take the Floor When Asked, Not When Needed

• arxiv url: http://arxiv.org/abs/2609.19596v1
• Date: Thu, 17 Sep 2026 02:21:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.070115
• Title: Full-Duplex Speech Models Take the Floor When Asked, Not When Needed
• Title（参考訳）: フルダブルプレックスの音声モデルが床に浮かんだり、必要に迫られたりしない
• Abstract要約: 人間の聞き手は住所や状況が止まるが、誤った主張を正すために自己選択し、失語や危険を警告する。 そこで本稿では,音声開始と応答内容の差について述べる。
• 参考スコア（独自算出の注目度）: 2.3250805647108113
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Full-duplex speech models listen and speak at once, promising always-on assistants. Yet they must also decide when they should speak. Human listeners speak when addressed or when the speaker stops, but also self-select to correct a false claim, supply a missing word, or warn of danger. We ask whether full-duplex models do the same. To separate the reason to speak from the opportunity, we construct context-matched English monologues in which only the trigger utterance varies within a topic, define 10 conditions from turn-allocation rules, and compress inter-word pauses to limit opportunities created by silence. Across five model families, being addressed and silence are far more reliable triggers than false facts or hazards. Frame-level text-token probabilities in Moshi and PersonaPlex are lower for false facts than for Neutral when averaged over the first 2\,s after trigger end. Pauses or permission to interrupt do not close this gap either. Given the floor, Moshi and PersonaPlex answer most direct questions, yet the proportion of non-empty false-fact replies that challenge the claim is only .14--.15, and the proportion of hazard replies that warn of danger is .04--.07. This paper thus identifies a gap in both speech initiation and response content. Closing it requires genuine content understanding and intervention decisions grounded in it.
• Abstract（参考訳）: フル二重音声モデルは、常時オンのアシスタントを約束して、一度に聞き、話す。 しかし、いつ話すべきかも決めなければならない。 人間の聞き手は、宛先や話者が止まったときに話すだけでなく、誤った主張を正したり、行方不明の言葉を提供したり、危険を警告する自己選択も行う。 完全二重モデルが同じことをするかどうかを問う。 この機会から発話する理由を分離するため、話題内でのみトリガー発話が変化する文脈整合英語のモノローグを構築し、ターンアロケーション規則から10の条件を定義し、沈黙によって生じる機会を制限するために単語間停止を圧縮する。 5つのモデルファミリーにまたがって、対処と沈黙は、偽の事実や危険よりもはるかに信頼できるトリガーである。 モシとペルソナプレックスのフレームレベルのテキストトケン確率は、トリガーエンド後の2\,sの平均値よりも中性の方が低い。 一時停止や中断の許可も、このギャップを埋めるものではない。 フロアでは、モシとペルソナプレックスが最も直接的な質問に答えるが、主張に異議を唱える空でない虚偽の回答の割合は.14--.15であり、危険を警告する危険回答の割合は.04--.07である。 そこで本稿では,音声開始と応答内容の差について述べる。 クローズするには、真のコンテンツ理解と介入の決定が必要です。

関連論文リスト

• Causal Analysis and Mitigation of Spurious Onsets in Full-Duplex Speech LLMs [3.502729154227436]
  モシモシとその派生したペルソナプレックスは5分間の沈黙継続の30%と27.5%で発声を開始する。 現実的なマイクロホンノイズ下では、本手法は真の応答を保ちながら、突発的なオンセットを抑制する。 提案手法は,80msのフレーム予算内で,61ms未満の95パーセントの判定時間で,リトレーニングなしでリアルタイムに動作させる。
  論文  参考訳（メタデータ） (2026-09-11T19:03:36Z)
• A Formal Limitation on Learning Human Language From Textual Corpora [54.22186267212778]
  我々は,デコーダが発話の表現から話者の意図した意味を回復する確率に基づいて,上位境界を導出する。 人工言語、マンダリンゼロ代名詞分解、色基準の実験は、この理論を支持する実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2026-08-28T17:38:24Z)
• When Text Misleads: Inconsistent-Aware Reasoning for Audio-Grounded Dialogue [18.262137202372454]
  我々は障害モードをクロスモーダルな不一致として定式化する。 テキストバイアスによる表面解釈を識別し、不一致領域を競合QAの例に変換するスケーラブルなフレームワークを開発する。 さらに、音声を音声に変換するエージェントスタイルの推論フレームワークを開発し、局所的な音響的手がかりのテキスト可読表現であるAudio Twinを提案する。
  論文  参考訳（メタデータ） (2026-08-27T14:26:46Z)
• When Contextual Inference Fails: Cancelability in Interactive Instruction Following [51.2195840589474]
  私たちは、コンテキスト意味構築のためのインタラクティブなベンチマークであるBuild What I Meanを紹介します。 BWIMでは、モデルは文脈推論を行うか、小さな通信コストで明確化を要求することによって曖昧さを解決しなければならない。 我々は,不確実性の下でのパートナーブラインド過度明確化や質問逆推定などの準最適戦略を観察する。
  論文  参考訳（メタデータ） (2026-03-20T14:46:59Z)
• SHANKS: Simultaneous Hearing and Thinking for Spoken Language Models [158.18422855768756]
  現在の大規模言語モデル (LLM) と音声言語モデル (SLM) は、ユーザがターンを終えた後にのみ、思考と行動を取る。 これにより、モデルがユーザのターン中に対話するのを防ぎ、考えるのを待つ間、レスポンスのレイテンシが高くなります。 SHANKSは,ユーザ入力を聴きながら,無意味な連鎖推論をSLMが生成できるフレームワークである。
  論文  参考訳（メタデータ） (2025-10-08T11:48:59Z)
• Moshi: a speech-text foundation model for real-time dialogue [78.88479749811376]
  現在の音声対話システムは、パイプラインの独立した音声活動検出と音声合成に依存している。 そこで本研究では,Moshi Moshiが音声認識と音声合成を実現する方法を紹介する。 得られたモデルは、初めてリアルタイムな全音声大言語モデルモダリティである。
  論文  参考訳（メタデータ） (2024-09-17T17:55:39Z)
• Question-Interlocutor Scope Realized Graph Modeling over Key Utterances for Dialogue Reading Comprehension [61.55950233402972]
  本稿では,対話読解のためのキーワード抽出手法を提案する。 複数の連続した発話によって形成された単位に対して予測を行い、より多くの回答を含む発話を実現する。 発話のテキスト上に構築されたグラフとして,質問-対話者スコープ実現グラフ(QuISG)モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-26T04:00:42Z)
• Deciding Whether to Ask Clarifying Questions in Large-Scale Spoken Language Understanding [28.195853603190447]
  大規模会話エージェントは、様々なあいまいさでユーザの発話を理解するのに苦しむことがある。 本稿では,あいまいさと文脈的信号による仮説を生かした神経自覚モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-25T22:32:10Z)

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。