論文の概要: APEX-Voice: Can Voice Agents Complete Professional Workflows Through Full-Duplex Interaction

• arxiv url: http://arxiv.org/abs/2609.34973v1
• Date: Mon, 28 Sep 2026 11:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 18:11:43.670357
• Title: APEX-Voice: Can Voice Agents Complete Professional Workflows Through Full-Duplex Interaction
• Title（参考訳）: APEX-Voice: 音声エージェントは、フルダブルプレクサインタラクションを通じて、プロフェッショナルなワークフローを完了できる
• Abstract要約: 本稿では,形式完成,コーポレート・ネゴシエーション・コーポレート・コーポレート・コーポレート・コーポレート,インタビューなど10作品にわたる120の対話型プロフェッショナルアーチタイプのAPEXVoiceベンチマークを紹介する。 各ワークフローは、タスク固有の知識型ツール、ゴールドアノテートされた最終作業成果物承認の制約、検証済みの事前コンパイルされた音声実現を背景としたユーザシミュレーションポリシを備えたステートフル音声環境である。
• 参考スコア（独自算出の注目度）: 67.07361089429757
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Full-duplex voice agents can now listen, speak, use tools, and act during spoken interactions, but fluent dialogue does not guarantee correct completion of delegated professional workflows. We introduce APEX-Voice, a benchmark of 120 interactive professional workflows spanning ten work archetypes such as form completion, corporate negotiation, coordination, consulting, and interviewing. Each workflow executes in a stateful Voice Workbench environment with task-specific knowledge, typed tools, gold-annotated final work artifact, authorization constraints, and a user simulation policy backed by validated, pre-compiled speech realizations. We evaluate both artifact field accuracy and end-to-end workflow success, which requires the correct terminal state, valid process, completed actions, and a valid final artifact. Across five frontier real-time voice agents-GPT-Live-1, Gemini-3.8-Live, Grok-Voice-Think-2.0, Step-Audio3, and GPT-realtime-2.1, none exceeds 25% Pass@1, and the best Reliable@3 is only 10.8%. Moreover, stateful coordination is the dominant failure point across systems, while success decreases further on workflows requiring greater knowledge retrieval and mid-speech corrections. Overall, APEX-Voice is the first benchmark for evaluating whether voice agents can translate conversational competence into dependable professional work.
• Abstract（参考訳）: フルデュープレックス音声エージェントは、対話中の聞き取り、話し、ツールの使用、行動を行うことができるが、流動的な対話は、委任されたプロフェッショナルワークフローの正しい完了を保証するものではない。 我々は,形式完成,企業交渉,コーポレートコーディネーション,コンサルティング,インタビューなど,10の作業アーチタイプにまたがる120の対話型プロフェッショナルワークフローのベンチマークであるAPEX-Voiceを紹介する。 各ワークフローは、タスク固有の知識、型付けツール、ゴールドアノテートされた最終作業成果物、認可制約、検証済みのプリコンパイルされた音声実現によってバックアップされたユーザシミュレーションポリシを備えたステートフルなVoice Workbench環境で実行される。 我々は、適切な端末状態、有効なプロセス、完了したアクション、有効なファイナルアーティファクトを必要とするアーティファクトの精度とエンドツーエンドのワークフローの成功を評価する。 GPT-Live-1、Gemini-3.8-Live、Grok-Voice-Think-2.0、Step-Audio3、GPT-realtime-2.1の5つのフロンティア・リアルタイム音声エージェントは25% Pass@1を超えず、最高のReliable@3はわずか10.8%である。 さらに、ステートフルコーディネートはシステム間の障害点として支配的であり、より深い知識検索と中間音声修正を必要とするワークフローでは成功率がさらに低下する。 全体として、APEX-Voiceは、音声エージェントが会話能力を信頼できるプロフェッショナルな仕事に変換することができるかどうかを評価する最初のベンチマークである。

関連論文リスト

• SALMONN-duo: Adaptive Dual-System Coordination for Full-Duplex Voice Agents [21.137152704061666]
  現実世界のエージェントはツールを使用し、熟考的推論を行う必要がある。 SALMONN-duoは、二重プロセス認知理論に触発された適応的な二重システム音声である。
  論文  参考訳（メタデータ） (2026-09-28T03:53:05Z)
• Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction [36.155594348195784]
  我々は、Think、Act、Speak Coordinateという、ツールの使用、フィードバックの解釈、タスクの完了をモデルに教えるツールを紹介します。 また、Qwen-Audio-3.0-Realtimeを前景として使用し、コーディネーションメモリによる音声対話を永続的なタスクに拡張する、別のVoice Harnessプロトタイプも提示する。
  論文  参考訳（メタデータ） (2026-09-21T14:20:47Z)
• X-Voice: Enabling Everyone to Speak 30 Languages via Zero-Shot Cross-Lingual Voice Cloning [62.740127542449166]
  X-Voiceは、任意の音声をクローンし、誰でも30の言語を話せる多言語ゼロショット音声クローンモデルである。 X-Voiceは国際音声アルファベット(IPA)を統一表現として420K時間多言語コーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-05-07T02:57:53Z)
• $τ$-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains [19.01569475622701]
  $$-voiceは、現実の複雑なタスクで音声を評価するためのベンチマークである。 $-voiceは、音声エージェントへの進捗を測定する再現可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-03-14T01:46:52Z)
• Covo-Audio Technical Report [61.09708870154148]
  7BバックエンドのLALMであるCovo-Audioは、連続的なオーディオ入力を直接処理し、単一の統一アーキテクチャ内でオーディオ出力を生成する。 対話指向の変種であるCovo-Audio-Chatは、意味的に強い会話能力を示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:11Z)
• VoiceBench: Benchmarking LLM-Based Voice Assistants [58.84144494938931]
  大規模言語モデル(LLM)に基づいて音声アシスタントを評価する最初のベンチマークであるVoiceBenchを紹介する。 VoiceBenchには、上記の3つの重要な実世界のバリエーションを含む、実話と合成音声の両方が含まれている。 大規模な実験は、現在のLLMベースの音声アシスタントモデルの限界を明らかにし、この分野における将来の研究・開発に貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-22T17:15:20Z)

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。