論文の概要: Why Full-Duplex Speech Models Collapse in Long Conversations
- arxiv url: http://arxiv.org/abs/2610.32349v1
- Date: Fri, 23 Oct 2026 08:43:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.438762
- Title: Why Full-Duplex Speech Models Collapse in Long Conversations
- Title（参考訳）: 長期会話における全二重音声モデル崩壊の理由
- Abstract要約: 完全な音声モデルは、聞いている間もフレームごとにトークンを生成し、数分でコンテキストウィンドウを消します。
しかし、長軸長軸問題の短さを露呈するラウンドは1回か数回のみである。
本稿では,FD-LHB(Full-Duplex Long Horizon Benchmark)を紹介する。
- 参考スコア（独自算出の注目度）: 48.48928768694961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Full-duplex speech models listen and speak at the same time, which makes them promising for natural, open-ended conversation. But can they sustain a coherent conversation for tens of minutes? Because they generate a token every frame, even while listening, they exhaust their context windows within minutes. Yet existing benchmarks evaluate only single turns or a few conversational rounds, too short to expose the long-horizon problem. We introduce the Full-Duplex Long-Horizon Benchmark (FD-LHB), which tests five recent full-duplex models on long replayed conversations and in live conversation with an LLM partner. Every evaluated model eventually either degrades or exhausts its context. Models that keep the full history often degrade before their context runs out, while sliding-window models still fall into repetition, silence, and gibberish. For sliding-window models, we identify two contributing mechanisms. Gibberish and silence are linked to Initialization-Anchor Eviction, where the sliding window discards the first KV entry. Repetition is also reinforced by the model's own recent outputs. Guided by this diagnosis, we apply two simple fixes: Initialization-Anchor Pinning (IAP) keeps that first entry, and Duplex Repetition Penalty (DRP) discourages echoing while guarding against prolonged silence. Together, they support the diagnosis and, without retraining, substantially reduce conversational collapse in replays of up to an hour while running in real time.
- Abstract（参考訳）: フルデュープレックスな音声モデルは、同時に聞き、話すことで、自然な、オープンな会話を約束する。
しかし、彼らは何分間もコヒーレントな会話を続けることができるだろうか?
フレームごとにトークンを生成するので、聞いている間も、数分でコンテキストウィンドウを消耗する。
しかし、既存のベンチマークでは、長い水平の問題を露呈するには短すぎる1回または数回の会話ラウンドしか評価できない。
我々は、LLMパートナーとのライブ会話において、5つの最近のフルダブルプレックスモデルをテストするフルデュプレックスLHB(Full-Duplex Long-Horizon Benchmark)を紹介する。
評価されたモデルはすべて最終的に劣化するか、コンテキストを枯渇させる。
完全な履歴を保持するモデルは、コンテキストがなくなる前に劣化することが多いが、スライディングウィンドウモデルは繰り返し、沈黙、ジブベリに陥る。
スライディングウインドウモデルでは、2つの寄与メカニズムを同定する。
ギベリッシュとサイレントはイニシャライゼーション・アンカー・エヴィジョンにリンクされ、スライディングウィンドウは最初のKVエントリを破棄する。
繰り返しは、モデル自身の最近の出力によって強化される。
Initialization-Anchor Pinning (IAP) は初回入院を保ち、Duplex Repetition Penalty (DRP) は長時間の沈黙を守りながらエコーを無効にする。
共同で診断をサポートし、トレーニングすることなく、リアルタイムに実行中の最大1時間のリプレイで会話の崩壊を著しく低減する。
関連論文リスト
- Reading Between the Lines: The One-Sided Conversation Problem [49.36189146596834]
我々は一方的な会話問題(1SC)を定式化する。
リアルタイムのユースケースに対して、欠落した話者のターンを再構築し、一方の書き起こしから要約を生成する。
プライバシーに配慮した会話型AIへの一歩となる有望な成果を報告します。
論文 参考訳（メタデータ） (2025-11-04T22:53:57Z) - 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) - FLM-Audio: Natural Monologues Improves Native Full-Duplex Chatbots via Dual Training [38.868221563879366]
完全なダイアログモデルは、迅速な応答を提供すると同時に話すことを目指している。
この問題に対処するために、連続した文と待ち時間からなる自然なモノローグを導入する。
音声と自然なモノローグを意味的に整合させるには,適切なトレーニングパラダイムが不可欠である。
デュアルトレーニングパラダイムは、異なるトレーニングステージ間でモノローグの位置を交換する。
FLM-AudioAudioは,実験結果から確認され,優れた応答特性とチャット体験の相違が認められた。
論文 参考訳（メタデータ） (2025-09-02T17:18:49Z) - 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)
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。