全双工语音模型对话轮换时机研究

一项 arXiv 研究让两个 PersonaPlex-7B 实例在共享时钟上交换音频 token 进行无脚本对话，发现模型的轮次交接明显晚于人类：模型换手中位数为 400–560 毫秒，人类为 137 毫秒。研究还发现，人类约十分之一的交接发生在伙伴轮次最后 120 毫秒内，而模型仅占 1%。 研究称，延迟单向通道会使模型响应一比一平移，且响应前的准备期为空，表明模型是在感知到对方结束后被动等待，而非像人类那样在轮末预判。该研究由 Lichen Zhu 等作者发表。

AI 根据报道生成 · 8 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。