11 月 19 日公开的一项研究把语音助手接话的决定放在安静刚出现的一刻。如果只等固定时长再开口,句中稍长的停顿容易被当作说完,而已经说完的人又得多等。作者从 Real-TurnTurk 的土耳其语双人视频通话中提取两种停顿,测试仅凭当时已经出现的信息能否区分它们。
研究将微调后的土耳其语 TurnGPT 类模型与零样本土耳其语模型、已经部署的多语种检测器作对照。团队分别按录音和说话人划分训练与测试数据,还检查当前说话人的发声时间特征,以及用 Whisper 自动转写替代人工文本后表现如何变化。
在留出的录音上,以平均精确率衡量,微调模型得到 0.625,两种对照分别为 0.590 和 0.530。把文本得分加入基于静音时长的策略后,在打断率相同的模拟条件下,平均响应延迟约缩短 0.09 秒。这个时间来自使用已录通话的模拟评估,真实服务还包含识别、网络和播放等环节。
配图为 GETAI.APP 使用 ImageGen 生成的主题插画。
