全双工语音模型仍难拟人:轮次切换预测器召回差、误判多

alexisgallagher · x · 2026-09-13

作者指出,类似 gpt-realtime / ChatGPT App 的全双工(full duplex)音频模型虽然在 backchannel(附和插话)上更自然,但实际体验仍听不到人类那种「零间隙、可重叠」的轮次切换,也未见任何系统在多说话人场景下有像样表现。

他引用一篇近期基准论文:现有最佳轮次预测(turn prediction)系统表现仍然很差——真实话轮结束大量漏检(低召回),同时把许多停顿误判为话轮结束(高假阳性);且语料中人类对话的话轮间隙经常为负值,即因为话语重叠根本不存在间隙,这是现有系统难以处理的根本难点。