arXiv cs.CL· Puneet Mathur, Dinesh Manocha·· 3 天前AI 评分29
MultiPartyTurnBench：多说话人语音对话中的话轮控制基准
MultiPartyTurnBench: Benchmarking Floor Control in Multi-Party Spoken Dialogue
AI 导读
研究者提出 MultiPartyTurnBench（MPTB），一个包含 240 段合成、声道分离对话的基准，覆盖 2 至 5 名说话人和 6 种交互类型，用于评估 End-of-Turn（EOT）检测与 Interruption（INT）检测两项任务。
正文 · AI 翻译
摘要：全双工语音系统必须决定何时进入、保持或让出对话发言权，即使多位说话人重叠发言或在不夺取发言权的情况下进行附和。现有评估研究的是双人轮流发言或端到端智能体行为，但缺乏在多说话人场景下针对真实发言权转换与易混淆的非事件进行统一、可控的评估。我们提出 MultiPartyTurnBench（MPTB），这是一个包含 240 段合成生成、按声道分离的对话的基准，涵盖两到五位说话人和六种交互类型。MPTB 评估两个互补任务：轮次结束（EOT）检测区分真正的轮次完成与临时保持，而打断（INT）检测区分成功的发言权夺取与未夺取发言权的言语。精确的事件条件标注支持使用假阳性约束召回率和带符号延迟进行因果评估。在声学、语义和轮次预测基线中，我们发现一种鲜明的不对称性：学习型系统在 4.3-11.8% 的假阳性率下达到 82.5-92.6% 的 EOT 召回率，而 INT 检测则受困于漏检夺取或过度误激活。这种不对称性延伸到五个全双工智能体，它们在轮次进入上达到 86.1-95.8% 的平衡准确率，但在选择性打断处理上表现接近随机（46.9-54.7%）。Gemini-3.8-Live 对 97.7% 的附和做出让步，而 MiniCPM-o-4.5 仅对 1.4% 的真实打断做出让步。这些发现确立了选择性发言权控制是多说话人语音交互中一个独特且尚未解决的挑战。
| 评论： | 审稿中 |
| 主题： | 声音（cs.SD）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20172 [cs.SD] |
| （或 arXiv:2610.20172v1 [cs.SD] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.20172 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Puneet Mathur [查看电子邮件]
[v1]
2026年10月14日星期三 13:20:14 UTC（4,294 KB）
来源：arXiv cs.CL · arxiv.org