评测：实时语音模型在停顿处频繁抢话

一项新评测发现，GPT Realtime、Gemini 3.1 Flash Live、Grok Voice 等托管 API 的实时语音模型，在对话停顿处几乎都会开口抢话。研究者 Arya Bastani 和 Iman Modarressi 将模型置于 176 段无脚本对话中的 427 个停顿和 482 个话轮结尾，给出此前的对话内容，再对照真人当时的反应打分。 评测显示，这些模型在停顿处的响应延迟约为 1 至 4 秒（基于静音的端点检测），或约 8 秒（语义话轮检测）。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。