DuplexMamba: Enhancing Real-time Speech Conversations with Duplex and Streaming Capabilities
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算学部);Tsinghua University(清华大学)
本文提出DuplexMamba,一种基于Mamba的端到端多模态双工模型,通过同时处理输入和生成输出的双工解码策略实现实时流式语音对话,在ASR和语音助手基准上性能媲美Transformer模型。
2025-04-03 cs.CL
PersonaTAB: Predicting Personality Traits using Textual, Acoustic, and Behavioral Cues in Fully-Duplex Speech Dialogs
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Nanjing University, Suzhou(南京大学(苏州));National University of Singapore(新加坡国立大学);School of Data Science(数据科学学院);School of Intelligence Science and Technology(智能科学与技术学院);Department of ECE(电子与计算机工程系)
针对语音对话数据集缺乏人格标注导致人格感知对话智能体研究不足的问题,提出PersonaTAB流水线方法构建带多维度标注的对话数据集,设计基于大语言模型的对话人格预测系统,经人类评估验证其与人类判断的一致性优于现有方法。
2025-05-20 cs.CL cs.SD eess.AS
ASPIRin: Action Space Projection for Interactivity-Optimized Reinforcement Learning in Full-Duplex Speech Language Models
National Taiwan University(国立台湾大学);ASUS Open Cloud Infrastructure Software Center(华硕开放云端基础设施软件中心);NVIDIA AI Technology Center(英伟达人工智能技术中心)
ASPIRin通过动作空间投影和GRPO方法优化全双工语音语言模型的交互性能,提升语义连贯性并减少重复生成。
2026-04-11 cs.AI cs.CL cs.SD
Steering Follows Geometry, Not Labels: Emotion Directions in a Full-Duplex Speech Model
Independent Researcher(独立研究者)
本研究在开源全双工语音模型Moshi中,通过均值差异激活转向探索情感控制,发现情感可线性解码但转向效果不均,快乐、愤怒、惊讶共享方向,悲伤独特可转向。
2026-10-08 cs.CL cs.SD
MTR-DuplexBench: Towards a Comprehensive Evaluation of Multi-Round Conversations for Full-Duplex Speech Language Models
Tsinghua University(清华大学);The Chinese University of Hong Kong(香港中文大学);Huawei Technologies(华为技术)
本文提出MTR-DuplexBench,用于评估全双工语音语言模型在多轮对话中的表现,涵盖对话质量、指令遵循和安全性等关键方面,揭示现有模型在多轮对话中的一致性问题。
2026-04-17 cs.AI cs.CL eess.AS
Sommelier: Scalable Open Multi-turn Audio Pre-processing for Full-duplex Speech Language Models
KAIST AI(韩国科学技术院人工智能);NAVER Cloud(NAVER云)
为全双工语音语言模型设计了一种鲁棒且可扩展的开源数据处理流程,以解决自然对话中的重叠和背通道问题,提升多说话人对话数据的质量和可用性。
2026-03-30 cs.AI cs.SD eess.AS
Enabling Streaming User Transcription in Full-Duplex Speech-to-Speech Models
NVIDIA(英伟达)
本文提出在双工语音到语音模型中并行添加轻量级ASR头,实现流式用户转录,在保持全双工对话能力的同时,取得10.21%的流式WER,并开源代码。
2026-09-15 cs.CL
DuplexDrama: A Synthesized Dialogue Dataset with Scenarios, Full-Duplex Behaviors, Expressive Speech, and Sound Events
Zuoyebang Education Technology(作业帮教育科技)
DuplexDrama是首个涵盖场景、全双工行为、表现性语音和声音事件的合成对话数据集,通过4阶段流水线构建,包含超2000小时音频,并发布6400个双语对话子集以推进全双工对话模型研究。
2026-09-25 cs.CL
FD-VAD: Semantic Endpoint Detection for Streaming Full-Duplex Speech
FD-VAD提出一种无需ASR的流式语义端点检测方法,直接基于音频窗口判断继续或停止,在TurnBench上取得最优EOT召回率,实现高效全双工语音交互。
2026-09-30 cs.CL eess.AS
Acoustic-to-Text KV Compression for Full-Duplex Speech Models
Sungkyunkwan University(成均馆大学)
针对全双工语音模型内存密集问题,提出声学到文本KV压缩,利用聆听空隙将语音转文本并驱逐旧声学状态,减少64.6%峰值缓存,提升转录与问答性能。
2026-09-28 cs.AI cs.SD eess.AS
Synchronization and Turn-Taking in Full-Duplex Speech Dialogue Models
ASAPP Inc.(ASAPP公司);Departamento de Computación, FCEyN, Universidad de Buenos Aires(计算机系,福克雷斯-恩分校,布宜诺斯艾利斯大学)
本文研究了全双工语音对话模型如何通过内部表示的同步协调交互,并发现噪声条件下同步性下降,内部状态编码了提前的轮流预测信息。
2026-05-19 cs.AI cs.CL cs.SD
What Did I Just Say? Self-Listening for Full-Duplex Speech Models
Shenzhen Loop Area Institute, China(深圳环形区域研究所);The Chinese University of Hong Kong, Shenzhen, China(香港中文大学(深圳))
针对全双工语音模型因异步生成导致说出内容与播放内容不一致的锚定打断问题,提出自听机制,将实际播放语音反馈给模型,并构建AnchorSpeech数据集,实验证明该方法提升锚定性能。
2026-09-09 cs.SD
Multi-Faceted Interactivity Alignment in Full-Duplex Speech Models
Kyutai;Gradium
针对全双工对话模型交互性问题,提出基于强化学习的后训练对齐方法,从暂停处理、话轮转换、回馈和用户打断四个维度优化,并加入LLM奖励防止语义退化,在Moshi和PersonaPlex上取得一致改进。
2026-09-01 cs.CL eess.AS
Raon-Speech Technical Report
KRAFTON
本文提出 Raon-Speech,一个 9B 参数的语音语言模型,通过多阶段训练实现英语和韩语的语音理解、回答与生成,并扩展为全双工对话模型 Raon-SpeechChat,在语音任务上超越同类模型。
2026-04-08 cs.AI cs.CL cs.SD
Towards a Japanese Full-duplex Spoken Dialogue System
Nagoya University(名古屋大学)
本文提出首个公开的日语全双工口语对话模型,基于Moshi构建,通过大规模日语口语数据预训练、高质量立体声对话微调及合成数据增强,在自然度和有意义性上超越日语基线。
2025-06-03 cs.CL eess.AS
NemotronLabs VoiceChat: An Open Full-duplex Speech-to-Speech Model with Tool Calling Capabilities
NVIDIA(英伟达)
该论文提出开源全双工语音到语音模型NemotronLabs VoiceChat,通过流式架构整合语音编解码、RNN-T转录和工具调用,在多项基准上实现低接管率、高响应质量及82.5%工具选择F1,证明全双工交互与外部工具可统一集成。
2026-10-02 cs.AI cs.CL
From Turn-Taking to Synchronous Dialogue: A Survey of Full-Duplex Spoken Language Models
Jilin University, Changchun, China(吉林大学);Hunan University, Changsha, China(湖南大学)
本文综述了LLM时代的全双工口语语言模型,提出工程化同步与学习式同步的分类法,并统一评估框架,指出同步数据稀缺、架构分歧和评估缺口等核心挑战,为人机通信发展提供路线图。
2025-09-18 cs.CL cs.SD eess.AS
SALMONN-duo: Adaptive Dual-System Coordination for Full-Duplex Voice Agents
Tsinghua University(清华大学);ByteDance(字节跳动)
提出SALMONN-duo,一种受双过程理论启发的自适应双系统全双工语音代理,通过快速系统1与慢速系统2的协调委派,在实时交互中提升知识密集型与多跳推理准确性,并以成本感知强化学习优化性能与后端使用权衡。
2026-09-29 cs.CL eess.AS
Efficient Interleaved Speech Modeling through Knowledge Distillation
Nlpie Research University of Zurich(Nlpie研究所 瑞士苏黎世大学)
针对语音语言模型规模大、延迟高难以部署的问题,提出层对齐知识蒸馏方法,推出2B参数的TinyWave模型家族,在多项基准上接近教师模型性能,优于同规模基线,适配消费级硬件并开源相关资源。
2025-10-21 cs.CL cs.SD eess.AS
SALMONN-omni: A Standalone Speech LLM without Codec Injection for Full-duplex Conversation
Tsinghua University(清华大学);ByteDance(字节跳动);University of Cambridge(剑桥大学)
SALMONN-omni是首个无需音频码本注入的独立全双工语音大语言模型,通过动态思考机制实现说话与聆听状态切换,在口语问答和开放域对话基准上相对现有开源全双工模型提升至少30%,并有效处理插话和回声消除等复杂场景。
2025-05-17 cs.AI cs.CL
HiPLEX: Hierarchical Policy Factorization for Full Duplex Speech Language Models
Qualcomm AI Research(高通人工智能研究院);KAIST AI(韩国科学技术院人工智能研究院)
HiPLEX通过将全双工语音模型策略分解为时序控制和内容生成两个因子,利用强化学习分别优化,从而提升实时对话中的轮流与反馈协调能力。
2026-10-07 cs.SD
Voice-Light: A Full-Duplex Cascaded Voice Agent with Causal Turn-Taking and Speculative Generation
Voice-Light提出级联全双工语音智能体,结合因果轮换与投机式生成,实现低延迟交互,并通过混合控制器在真实场景中平衡误切断与轮次召回率。
2026-09-21 cs.CL cs.SD eess.AS
The Silent Thought: Modeling Internal Cognition in Full-Duplex Spoken Dialogue Models via Latent Reasoning
DeepMind(深度Mind)
本文提出了一种名为FLAIR的全双工语音对话模型,通过潜在推理同时进行语音感知和内部思考,以提高对话质量,该方法在多个语音基准测试中取得了竞争性的结果。
2026-06-04 cs.CL eess.AS
SALM: Speech-augmented Language Model with In-context Learning for Speech Recognition and Translation
NVIDIA(英伟达)
提出SALM模型,结合冻结文本LLM、音频编码器和LoRA层,实现多任务和上下文学习,在ASR和AST上性能与Conformer相当,并通过语音监督上下文训练增强零样本学习能力,已开源。
2023-10-13 cs.CL cs.HC cs.SD
SteerDuplex: Steerable Duplex Speech Dialogue Models
Scale AI;University of Maryland(马里兰大学)
针对全双工语音对话模型缺乏可操控性的问题,提出SteerDuplex模型和SteerBench基准,通过微调与两阶段强化学习,显著提升音频操控与打断处理能力。
2026-09-14 cs.AI cs.CL
SALMONN: Towards Generic Hearing Abilities for Large Language Models
Tsinghua University(清华大学);ByteDance(字节跳动)
本文提出SALMONN多模态模型,将文本LLM与语音及音频编码器融合,使其具备通用听觉理解、多任务竞争性能和跨模态涌现能力,并用少样本激活调优激发这些能力。
2024-04-08 cs.CL cs.SD eess.AS
StreamAlign: Streaming Text-Aligned Speech Tokenization
Seoul National University(首尔大学);University of California, Berkeley(加州大学伯克利分校);KRAFTON;Georgia Institute of Technology(佐治亚理工学院)
StreamAlign提出流式文本对齐语音分词框架,结合字符级RNN-T与词级ASR指导,降低延迟并缓解词汇不匹配,在LibriSpeech上取得最优WER和UTMOS,其SLM模型在语音续接与一致性上表现最佳。
2026-09-10 cs.CL cs.SD eess.AS
LLM-Enhanced Dialogue Management for Full-Duplex Spoken Dialogue Systems
Tencent AI Lab(腾讯人工智能实验室)
本文提出一种基于大语言模型的语义语音活动检测模块,用于高效管理全双工语音对话系统的轮询,通过轻量级大语言模型实现意图和非意图打断的区分,并通过短间隔处理输入语音以实现实时决策,同时减少计算开销。
2026-06-03 cs.CL eess.AS
TASTE: Text-Aligned Speech Tokenization and Embedding for Spoken Language Modeling
MediaTek Research(联发科技研究);Graduate Institute of Communication Engineering, National Taiwan University(国立台湾大学通信工程研究所);Artificial Intelligence Center of Research Excellence, National Taiwan University(国立台湾大学卓越人工智能研究中心)
TASTE通过语音重建目标实现文本对齐的语音标记化与嵌入,提升语音语言建模的性能。
2026-02-05 cs.CL cs.SD eess.AS
FD-Bench: A Full-Duplex Benchmarking Pipeline Designed for Full Duplex Spoken Dialogue Systems
Alibaba-NTU Global e-Sustainability CorpLab(阿里-NTU全球可持续性公司实验室);College of Computing and Data Science(计算与数据科学学院);Alibaba(阿里)
针对全双工口语对话系统缺乏打断等场景评测的问题,本文提出融合LLM、TTS和ASR的FD-Bench流水线,并对三个开源模型进行40余小时语音实验,揭示其在频繁打断与噪声下的不足。
2025-07-25 cs.CL eess.AS
EMMeTT: Efficient Multimodal Machine Translation Training
NVIDIA(英伟达)
本文提出多模态训练框架EMMeTT,通过均衡采样、高效数据迭代和2D分桶方案提升训练效率,使模型在保留神经机器翻译能力的同时,在自动语音翻译任务上超越基线。
2024-09-20 cs.CL cs.SD eess.AS
Fun-Audio-Chat Technical Report
Alibaba Group(阿里巴巴集团)
Fun-Audio-Chat通过双分辨率语音表示和核心鸡尾酒训练,解决语音-文本模型的时间分辨率不匹配和灾难性遗忘问题,实现高效且高质量的音频理解与生成。
2026-01-20 cs.AI cs.CL cs.SD
NVIDIA(英伟达);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
Text normalization (TN) and inverse text normalization (ITN) are essential preprocessing and postprocessing steps for text-to-speech synthesis and automatic speech recognition, respectively. Many methods have been proposed for either TN or ITN, ranging from weighted finite-state transducers to neural networks. Despite their impressive performance, these methods aim to tackle only one of the two tasks but not both. As a result, in a complete spoken dialog system, two separate models for TN and ITN need to be built. This heterogeneity increases the technical complexity of the system, which in tu…
2021-08-23 cs.CL
ALAS: An Automatic Latent Alignment Score for Audio Language Models
Concordia University(Concordia 大学);Mila-Quebec AI Institute(Mila-Quebec 人工智能研究所);Centrale Supelec(Centrale Supelec 研究院);Laval University(Laval 大学)
提出ALAS指标,通过计算音频与文本表示的跨模态余弦相似度,无需训练即可评估语音-LLM的音频-文本对齐质量,揭示模型对齐深度与任务需求的关系。
2026-09-29 cs.CL cs.SD eess.AS
JAL-Turn: Joint Acoustic-Linguistic Modeling for Real-Time and Robust Turn-Taking Detection in Full-Duplex Spoken Dialogue Systems
本文提出JAL-Turn框架,通过联合声学-语言建模实现高效实时轮流检测,利用交叉注意力模块整合预训练声学表示与语言特征,同时共享冻结的ASR编码器以并行处理,提升准确性和实时性。
2026-03-27 cs.AI cs.CL
Seed LiveInterpret 2.0: End-to-end Simultaneous Speech-to-speech Translation with Your Voice
ByteDance(字节跳动)
针对现有产品级同声传译系统质量差、延迟高、多说话人混淆等问题,研究提出端到端模型Seed-LiveInterpret 2.0,依托双工理解-生成框架,结合预训练与强化学习,在翻译质量上优于商用方案,延迟降至3秒,大幅提升实用性。
2025-07-27 cs.CL cs.SD eess.AS
Integrating Facial Generation into Full-Duplex Spoken Dialogue Systems
Graduate School of Informatics, Nagoya University, Japan(名古屋大学信息学研究科)
提出Moshi-Face,首个联合处理用户音频和面部输入并同时生成语音和面部运动的全双工对话模型,通过VQ-VAE面部编解码器和非自回归面部变换器实现实时视听对齐。
2026-06-23 cs.CL cs.CV cs.HC
Language Model Can Listen While Speaking
Shanghai Jiao Tong University(上海交通大学);ByteDance Inc.(字节跳动公司)
本文提出边听边说的语言模型LSLM,通过融合流式语音编码与自回归语音生成实现全双工实时交互,并验证其对打断和噪声的鲁棒性。
2024-08-05 cs.AI cs.CL cs.HC
VoiceChat-TTS: A Low-Latency Continuous Speech Synthesis Model for Interactive Agents
NVIDIA Corporation(英伟达公司)
针对现有语音模型延迟高、无法处理用户插话的问题,提出VoiceChat-TTS模型,由LLM文本令牌流驱动,支持语句中途中断且不重置KV缓存,在保证高语音质量的同时实现低延迟连续语音合成。
2026-08-17 cs.CL eess.AS
Context Spanning: A Communication Framework for Full-Duplex Speech Models and External LLM Backends
Mindlogic(Mindlogic公司)
提出上下文跨越框架,通过实时分块预填充将外部LLM检索信息直接注入全双工语音模型,避免压缩损失,提升全双工基准和问答任务性能。
2026-09-29 cs.CL cs.SD eess.AS
Aligning Spoken Dialogue Models from User Interactions
Department of Computer Science, Cornell University. Work done at Kyutai.(计算机科学系,康奈尔大学。在Kyutai工作)
本文提出一种新颖的偏好对齐框架,通过构建超15万个AI标注的语音偏好对数据集并利用离线对齐方法微调全双工语音到语音模型,有效提升了实时口语对话的事实性、安全性与上下文对齐能力。
2025-06-26 cs.CL cs.LG cs.SD
Chronological Thinking in Full-Duplex Spoken Dialogue Language Models
Nanyang Technological University(南洋理工大学);StepFun;Mila
提出Chronological Thinking机制,让全双工对话模型在听用户说话时增量推理,不增加延迟,提升响应质量。
2026-06-15 cs.AI cs.CL
Building a Taiwanese Mandarin Spoken Language Model: A First Attempt
本文首次尝试构建面向台湾 Mandarin 的端到端口语大语言模型,采用仅解码器 Transformer 架构并支持全双工实时多轮语音交互,同时提出合成对话数据训练方案与对话流畅性评估平台。
2024-12-27 cs.CL cs.SD eess.AS
KABURI-TTS: Phoneme-Keyed Activity-conditioned Bi-channel Utterance Rendering for Interaction
Nagoya University(名古屋大学);National Institute of Informatics(信息学研究所);Keio University(庆应义塾大学);Waseda University(早稻田大学)
针对全双工对话中重叠等同时现象,提出KABURI-TTS,以每说话人音素栅格为输入,在语音活动条件下双声道渲染语音,实现可控双人对话生成,提升自然度并产生更多重叠与轮换。
2026-09-09 cs.CL cs.SD
BayLing-Duplex: Native Full-Duplex Speech Dialogue with a Single Autoregressive LLM
Key Laboratory of Intelligent Information Processing, Institute of Computing Technology, Chinese Academy of Sciences (ICT/CAS)(中国科学院计算技术研究所智能信息处理重点实验室);Key Laboratory of AI Safety, Chinese Academy of Sciences(中国科学院人工智能安全重点实验室);University of Chinese Academy of Sciences(中国科学院大学)
提出BayLing-Duplex,一种原生全双工语音语言模型,通过单个自回归LLM决定何时听、说和停止,无需外部VAD模块,仅用少量特殊标记实现,在少量微调数据上达到高交互成功率并提升响应质量。
2026-06-15 cs.CL eess.AS
DuplexCascade: Full-Duplex Speech-to-Speech Dialogue with VAD-Free Cascaded ASR-LLM-TTS Pipeline and Micro-Turn Optimization
SB Intuitions Corp.(SB Intuitions公司);The University of Tokyo(东京大学)
DuplexCascade通过无VAD级联流水线和微轮询优化,实现全双工语音对话的高效交互与强对话智能。
2026-03-10 cs.AI cs.CL
WavChat: A Survey of Spoken Dialogue Models
Zhejiang University(浙江大学);Microsoft(微软公司);Alibaba Group(阿里巴巴集团);Tencent YouTu Lab(腾讯优图实验室)
针对口语对话系统缺乏全面综述的问题,本文按时间顺序梳理现有系统并分为级联与端到端范式,深入分析核心技术、数据集及评估体系,为该领域学术研究与工业应用提供参考。
2024-11-26 cs.CL cs.LG cs.MM
ConversationalVoice: Full-Duplex Speech Data from Real Conversations through Source-Faithful Reconstruction and Conversation-Grounded Expansion
AveraLabs(艾维拉实验室)
提出ConversationalVoice流水线,通过分离、重建和扩展将真实对话转化为全双工训练数据,保持高说话人相似度与语音质量,为后续模型训练提供基础。
2026-09-09 cs.CL cs.SD eess.AS
PersonaPlex: Voice and Role Control for Full Duplex Conversational Speech Models
PersonaPlex通过融合角色条件和语音克隆技术,实现全双工对话语音模型的语音与角色控制,提升角色一致性、说话人相似性和对话自然度。
2026-01-14 cs.CL
DuplexAct-Bench: Broadening Full-Duplex Speech Evaluation toward Proactive Interaction across Diverse Behavioral Requirements
State Key Laboratory of General Artificial Intelligence, BIGAI(通用人工智能全国重点实验室,北京通用人工智能研究院);Peking University(北京大学);X-LANCE Lab, Shanghai Jiao Tong University(上海交通大学X-LANCE实验室)
针对现有全双工语音基准覆盖不全的问题,提出DuplexAct-Bench双语基准,系统评估六种交互行为,发现当前系统在时序与内容上存在显著差异和失配。
2026-10-01 cs.CL cs.HC
Enabling Auditory Large Language Models for Automatic Speech Quality Evaluation
Tsinghua University(清华大学);ByteDance(字节跳动);University of Cambridge(剑桥大学)
本文提出利用听觉大语言模型进行自动语音质量评估,通过任务特定提示微调模型预测MOS、SIM和A/B测试结果,并生成自然语言描述,实验表明其在多项指标上取得竞争力表现。
2025-04-01 cs.CL cs.SD eess.AS
FLEXI: Benchmarking Full-duplex Human-LLM Speech Interaction
School of Computer Science and Engineering, Northeastern University, Shenyang, China(计算机科学与工程学院,东北大学,沈阳,中国);NiuTrans Research(NiuTrans研究);Kunming University of Science and Technology(昆明理工大学)
本文提出FLEXI基准,通过六类场景评估全双工语音LLM的延迟、质量与交互有效性,发现开源与商业模型在紧急意识等方面存在显著差距。
2025-09-26 cs.CL
Continue, Adapt, or Yield: In-Turn Adaptation to Overlapping Speech in Full-Duplex Agents
Besimple AI
针对全双工智能体评估忽视轮内适应的问题,提出Duplex Cue方法,区分听者意图与说话者行为,实验显示真人适应率68.2%远超PersonaPlex的34.8%,强调需同时衡量回应方式与是否继续说话。
2026-09-14 cs.CL cs.SD
Psychoacoustically Aligned Latent Smoothing for Adversarial Robustness of Full-Duplex Speech-to-Speech Dialogue Models
People Make Things
针对全双工语音对话模型的对抗攻击,提出心理声学校准的潜在平滑方法,以低质量损失显著降低劫持、静音和越狱成功率,并认证鲁棒性下限。
2026-09-24 cs.AI cs.CL cs.HC