研究发布语音模型对话自然度评测基准
原文标题：People Making Conversation: Evaluating How Naturally Speech Models Converse
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文提出针对实时语音模型「何时开口」决策的新评测方法，在 176 段无脚本对话的 427 个停顿与 482 个话轮结束点上测试六套系统。结果显示，GPT Realtime、Gemini 3.1 Flash Live、Grok Voice 等托管 API 几乎在每个停顿都抢话，延迟 1 至 4 秒；只有 PersonaPlex、Moshi 等全双工模型能像人一样保持沉默并在人类反应时间内插话。研究还发现托管系统回复更长、对话事实回忆率偏低，并开源了标注、测试点与全部输出。
- 问题
- 实时语音模型「何时开口」的决策缺乏评测，现有方法只测边界检测或聚合统计。
- 方法
- 在 176 段无脚本对话的 427 个停顿与 482 个话轮结束点上，让系统基于上下文生成并与人行为对比。
- 结果
- 托管 API（GPT Realtime、Gemini 3.1 Flash Live、Grok Voice）几乎每个停顿都抢话，延迟 1-4 秒；仅全双工模型能保持沉默并在人类反应时间内插话。
- 影响
- 语音助手要自然必须学会沉默，选型时应优先全双工架构而非仅看延迟指标。
深读 · 结论先行AI 生成展开看要点与影响 ↓
语音模型评测：托管 API 几乎每个停顿都抢话，仅全双工模型会像人一样沉默
- •测试集为 176 段无脚本对话中的 427 个停顿与 482 个话轮结束点，共评六套系统
- •GPT Realtime、Gemini 3.1 Flash Live、Grok Voice 几乎在每个停顿都回应，延迟约 1 至 4 秒（语义话轮检测约 8 秒）
- •只有 PersonaPlex、Moshi 等全双工模型能经常保持沉默，并在人类反应时间内插话
- •托管系统回复比真人更长；事实回忆率在 Claude Opus 5.5 评判下为 41% 至 60%，严格词匹配下仅 19% 至 26%
- •全双工模型以音频方式回忆为 17% 至 22%（严格匹配 12% 至 15%）；标注、测试点与全部输出已开源
为什么重要：实时语音产品的体验差距不在「会不会说」，而在「该不该说」；这条给出了可复现的评测口径，对做语音助手与实时对话的团队直接可用。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。