論文の概要: SteerablePlex: Can We Steer Full-Duplex Models?

• arxiv url: http://arxiv.org/abs/2610.12201v1
• Date: Thu, 08 Oct 2026 15:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.146298
• Title: SteerablePlex: Can We Steer Full-Duplex Models?
• Title（参考訳）: SteerablePlex: フルダブルプレクシックモデルの開発は可能か?
• Abstract要約: 完全な音声モデルは、自然な相互作用を可能にすると同時に耳を傾けることができるが、所定のシナリオから逸脱し、信頼性の低い評価結果が得られる。 我々は、既存のオープンソースモデルやGPT-Realtimeよりも確実にマルチステージ制約に従う、より制御可能なフルステージユーザーシミュレータを構築します。
• 参考スコア（独自算出の注目度）: 26.32680798529446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-duplex speech models can listen and speak simultaneously, enabling natural interaction, but become increasingly difficult to control as the conversation history grows. When used as user simulators, this lack of control can cause them to deviate from prescribed scenarios and produce unreliable evaluation outcomes. We introduce SimIF-Bench (Simulator Instruction-Following Benchmark), which evaluates whether a conversational model stays within a prescribed scenario and completes multiple goals in the required order. The benchmark reveals that current open-source full-duplex models struggle to follow such constraints. We then introduce a Group Reward-Decoupled Normalization Policy Optimization (GDPO)-based training recipe that enables a full-duplex model to follow textual instructions during an ongoing conversation while maintaining its turn-taking ability. By connecting the resulting SteerablePlex to an asynchronous backend language model that monitors the conversation and provides instructions when needed, we build a more controllable full-duplex user simulator that follows multi-stage constraints more reliably than existing open-source models and GPT-Realtime.
• Abstract（参考訳）: フル二重音声モデルは、会話履歴が大きくなるにつれて制御が困難になるが、自然な対話を可能にする。 ユーザシミュレーターとして使用すると、制御の欠如により、所定のシナリオから逸脱し、信頼性の低い評価結果が得られる。 そこで,SimIF-Bench (Simulator Instruction-Following Benchmark) を導入し,対話モデルが所定のシナリオ内に留まり,必要な順序で複数の目標を達成するかどうかを評価する。 ベンチマークによると、現在のオープンソースのフルデュプレックスモデルは、そのような制約に従うのに苦労している。 次に,グループ・リワード・デカップリング型正規化政策最適化(GDPO)に基づくトレーニング・レシピを導入する。 結果のSteerablePlexを非同期のバックエンド言語モデルに接続し、会話を監視し、必要に応じて命令を提供することにより、既存のオープンソースモデルやGPT-Realtimeよりも確実にマルチステージ制約に従う、より制御可能なフル二重ユーザシミュレータを構築します。

関連論文リスト

• ChatUMM: Robust Context Tracking for Conversational Interleaved Generation [44.19929499646892]
  統一マルチモーダルモデル(UMM)は目覚ましい進歩を遂げているが、シングルターン相互作用パラダイムによって制約されている。 本稿では,対話型統合モデルChatUMMを提案する。 ChatUMMは、連続的な会話の流れとしてシリアライズされたテキストイメージストリームをモデル化するインターリーブされたマルチターントレーニング戦略に由来する。
  論文  参考訳（メタデータ） (2026-02-06T07:11:50Z)
• F-Actor: Controllable Conversational Behaviour in Full-Duplex Models [70.48189107402145]
  典型的な学術的制約下で効率的に訓練できる,第1にオープンかつ命令追従型全段階会話音声モデルを提案する。 我々のモデルは、大規模な事前訓練や多段階事前訓練に頼ることなく、わずか2000時間のデータしか必要としない。 モデルとトレーニングコードの両方がリリースされ、制御可能なフルステージ音声システムに関する再現可能な研究が可能になる。
  論文  参考訳（メタデータ） (2026-01-16T14:25:57Z)
• FLEXI: Benchmarking Full-duplex Human-LLM Speech Interaction [49.83226596963294]
  音声とコンピュータの対話によりリアルタイム音声対話システムを実現する。 これらのモデルのモデリングとベンチマークは、依然として根本的な課題である。 フルヒューマン音声対話のための最初のベンチマークであるFLEXIを紹介する。
  論文  参考訳（メタデータ） (2025-09-26T11:57:42Z)
• 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)
• The Adapter-Bot: All-In-One Controllable Conversational Model [66.48164003532484]
  本稿では、DialGPTなどの固定バックボーンモデルを用いて、異なるアダプタを介してオンデマンド対話スキルをトリガーする対話モデルを提案する。 スキルに応じて、モデルはテキスト、テーブル、強調応答などの複数の知識タイプを処理できる。 我々は,既存の会話モデルと比較し,自動評価を用いたモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-08-28T10:59:31Z)

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。