En 30 horas de conversación entre dos personas anotada a mano, los oyentes empezaron a hablar una mediana de 151 ms antes de que terminara el turno en curso, mientras que Amazon Lex V2, por defecto, espera 600 ms de silencio después de que el interlocutor deja de hablar antes de decidir que la emisión está completa. Esa diferencia es todo el problema de la detección de fin de turno: las personas predicen el final de un turno, la mayoría de las máquinas esperan al silencio. Esperar tiene un costo medible en ambas direcciones. Un robot que usaba detección de fin de turno basada en silencio interrumpió a sus usuarios en el 16,6% de sus turnos y aun así respondió con un retraso mediano de 2,7 s, y cuando los usuarios hablaron por encima de modelos de voz comerciales, el tiempo que esos modelos necesitaron para dejar de hablar fue de 0,23 s a 2,25 s. Este informe se centra en la decisión de turno en sí; para el retraso de todo el pipeline, desde el micrófono hasta el primer audio, consulta nuestras estadísticas de latencia de agentes de voz con IA. Reunimos datos del benchmark TurnBench, del estudio de alternancia de turnos del Max Planck publicado en PNAS, de artículos de endpointing de Amazon Science y Google Research, del artículo de Moshi de Kyutai, de los benchmarks Full-Duplex-Bench y Talking Turns y de investigación con revisión por pares sobre Voice Activity Projection.
TL;DR
- Los oyentes empiezan a hablar una mediana de 151 ms antes de que termine el turno de la otra persona en las transiciones fluidas (TurnBench, IEEE SLT 2026)
- Del 51% al 55% de las transiciones de turno en tres corpus de conversación duran menos de 200 ms (Heldner y Edlund 2010, revisado en Frontiers in Psychology 2015)
- Amazon Lex V2 espera por defecto 600 ms de silencio antes de considerar terminada una emisión hablada (documentación de AWS Lex V2)
- El reconocimiento de voz conjunto con endpointing redujo la latencia mediana de endpoint de Google de 390 ms a 270 ms (Bijwadia et al., Google, SLT 2022)
- Una línea base de robot basada en silencio interrumpió a los usuarios en el 16,6% de los turnos del sistema frente al 6,9% de un modelo predictivo (Skantze e Irfan, KTH, 2025)
- Un modelo de alternancia de turnos entrenado con inglés cayó a una exactitud balanceada del 59,43% en conversación en japonés (Inoue et al., LREC-COLING 2024)
- Cuando los usuarios interrumpieron, GPT-4o Realtime dejó de hablar en 0,23 s y Nova Sonic en 2,25 s (Full-Duplex-Bench v1.5, 2025)
- Solo el 17,4% de las interrupciones del usuario terminaron con el usuario tomando la palabra a Moshi, frente al 63,6% en la conversación humana (Arora et al., ICLR 2025)
- El diseño full-duplex de Moshi tiene una latencia teórica de 160 ms y de 200 ms en la práctica (Kyutai, artículo de Moshi 2024)
- Un pipeline de diálogo en cascada produjo 0,0 s de habla solapada por minuto, frente a 3,6 s en llamadas telefónicas reales de Fisher (Nguyen et al., Generative Spoken Dialogue Language Modeling 2022)
1. La Referencia Humana: los Turnos se Solapan Más de lo que Esperan
La imagen estándar de la conversación, una persona habla, se detiene, la otra responde, es errónea de una forma que importa para el software. En TurnBench, un benchmark de 2026 construido con 30 horas de conversación diádica (entre dos personas) anotada a mano, los oyentes empezaron a hablar una mediana de 151 ms antes de que terminara el turno en curso, y cuando se incluyen las interrupciones en las que se toma la palabra, el desfase mediano llega a 281 ms antes del final (TurnBench, Jiang et al., IEEE SLT 2026). Una «transferencia del turno de palabra» aquí significa simplemente el momento en que el derecho a hablar pasa de una persona a la otra. Un detector que espera al silencio llega tarde por diseño, antes incluso de que empiece cualquier procesamiento.
El momento también transmite significado. El estudio de PNAS con 10 idiomas encontró que las respuestas que no contestan la pregunta (por ejemplo, «no sé») llegan 131,78 ms más tarde que las respuestas reales, y que las confirmaciones llegan 206,87 ms antes que las desconfirmaciones en el modelo multivariante (Stivers et al., PNAS 2009). Los humanos oyen esos retrasos como señales. Un agente de voz que siempre espera el mismo silencio fijo antes de responder envía una señal que no pretende enviar.
| Métrica | Valor | Fuente |
|---|---|---|
| Desfase mediano cuando el oyente empieza a hablar, transiciones fluidas (negativo = antes del fin del turno) | -151 ms | TurnBench, Jiang et al., IEEE SLT 2026 |
| Desfase de respuesta más común (modal) tras una pregunta de sí o no, 10 idiomas combinados | 0 ms (modas por idioma de 0 a +200 ms) | Stivers et al., PNAS 2009 |
| Retraso adicional cuando la respuesta no contesta la pregunta, modelo multivariante | +131,78 ms (IC del 95%: 59,34 a 204,23) | Stivers et al., PNAS 2009 |
| Diferencia de retraso entre confirmaciones y desconfirmaciones, modelo multivariante | -206,87 ms (IC del 95%: -268,61 a -145,12) | Stivers et al., PNAS 2009 |
| Desfase medio de respuesta entre las respuestas que los anotadores juzgaron puntuales, japonés vs danés | 36 ms vs 203 ms | Stivers et al., PNAS 2009 |
| Proporción de transiciones de turno más rápidas que 200 ms, tres corpus | 51% a 55% | Heldner y Edlund 2010, revisado en Levinson y Torreira, Frontiers in Psychology 2015 |
| Proporción de la señal de Switchboard en la que ambos hablantes hablan a la vez | 3,8% | Levinson y Torreira, Frontiers in Psychology 2015 |
Nota de contexto: el panorama del solapamiento depende de cómo se mida. El habla solapada cubre solo el 3,8% del audio de Switchboard, pero Heldner y Edlund encontraron solapamientos en alrededor del 40% de las transiciones, porque la mayoría de los solapamientos son breves (Levinson y Torreira, Frontiers in Psychology 2015). Datos más recientes disponibles para las cifras entre idiomas: Stivers et al., 2009, y Heldner y Edlund, 2010. El ritmo de los turnos humanos cambia despacio, así que la antigüedad de estos estudios importa menos que en los benchmarks de producto.
2. Cuánto Esperan las Máquinas: Tiempos de Espera de Silencio y Latencia de Endpoint
La mayoría de los sistemas en producción todavía decide que un turno ha terminado con un temporizador. Amazon Lex V2 espera por defecto 600 ms de silencio después de que el interlocutor deja de hablar antes de considerar terminada la emisión, espera 4.000 ms a que el interlocutor empiece a hablar y trunca cualquier emisión individual a los 55.000 ms (AWS, Configuring timeouts for capturing user input with a Lex V2 bot). Los artículos de investigación describen configuraciones aún más largas: los autores de Voice Activity Projection dicen que los sistemas de diálogo hablado suelen usar un tiempo de espera de silencio de alrededor de 1 o 2 segundos.
La frontera de la investigación es recortar milisegundos del momento en que el sistema se compromete. El modelo conjunto de Google, que comparte capas entre el reconocimiento de voz y el detector de fin de habla (el componente que decide que el usuario ha terminado), redujo la latencia mediana de endpoint de 390 ms a 270 ms y la latencia del percentil 90 de 740 ms a 570 ms, manteniendo la tasa de error de palabras en 5,8% (Bijwadia et al., Google, Unified End-to-End Speech Recognition and Endpointing, SLT 2022). Decidir más rápido solo ayuda si la transcripción es correcta, tema que tratamos en nuestras estadísticas de alucinaciones en el reconocimiento de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Espera de silencio por defecto después de que el interlocutor deja de hablar, Amazon Lex V2 | 600 ms | Documentación de AWS Lex V2 |
| Retraso de silencio por defecto antes de un fin de turno solo por VAD, LiveKit Agents (valor por defecto del proveedor) | 500 ms | Blog de LiveKit, 20 de diciembre de 2024 (configuración propia del proveedor) |
| Tiempo de espera de silencio habitual en los sistemas de diálogo hablado | Alrededor de 1 o 2 segundos | Inoue et al., Kyoto University, IWSDS 2024 |
| Latencia de endpoint mediana / del percentil 90, modelos separados de reconocimiento y endpointing (búsqueda por voz de Google, unas 14.000 emisiones) | 390 ms / 740 ms | Bijwadia et al., Google, SLT 2022 |
| Latencia de endpoint mediana / del percentil 90, modelo conjunto | 270 ms / 570 ms (120 ms y 170 ms menos, 30,8% y 23,0%) | Bijwadia et al., Google, SLT 2022 |
| Latencia de endpoint en los percentiles 50 / 90 / 99, línea base de Alexa en consultas transaccionales | 300 / 570 / 1.110 ms | Raju et al., Amazon, Two-Pass Endpoint Detection 2024 |
Nota de contexto: la dispersión entre percentiles es lo importante. Una mediana de 300 ms parece cercana al ritmo humano, pero el 1% más lento de las consultas transaccionales de Alexa esperó 1.110 ms o más solo por la decisión de endpoint, antes de generar ninguna respuesta (Raju et al., Amazon, Two-Pass Endpoint Detection for Speech Recognition, 2024). Datos más recientes disponibles para las cifras de Google: 2022.
3. Cortes Indebidos vs Respuestas Tardías: el Dilema de la Detección de Fin de Habla
Todo detector de fin de habla intercambia dos fallos entre sí: cortar al usuario a mitad de una idea (un corte indebido) o dejar un silencio muerto cuando el usuario ya terminó. La medición más directa que encontramos viene de un estudio con 39 participantes y una cabeza robótica Furhat. Con la línea base estándar, basada en silencio, el robot interrumpió a los usuarios en el 16,6% de sus turnos y aun así tuvo un tiempo de respuesta mediano de 2,7 s; un modelo predictivo que combina TurnGPT y Voice Activity Projection redujo las interrupciones al 6,9% y la respuesta mediana a 1,5 s, ambas diferencias con p < 0,001 (Skantze e Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025). El diseño basado en silencio perdió en ambos ejes a la vez.
Corregir un lado suele costar el otro. El «árbitro» de segunda pasada de Amazon, que verifica de nuevo el primer detector antes de cerrar el micrófono, redujo el fin de habla prematuro (parar antes de que el usuario terminara) en un 16,34% en consultas transaccionales, pero elevó la latencia del percentil 99 de 1.110 ms a 1.320 ms. Los detectores más toscos fallan en la dirección contraria: los disparadores simples por nivel de sonido se activaron en más de la mitad de los momentos en que el turno en realidad no había terminado (véase la fila de falsos positivos más abajo). Esos disparadores reaccionan al sonido y no al significado, así que el audio que les llega importa, lo que conecta con nuestras estadísticas de supresión neuronal de ruido.
| Métrica | Valor | Fuente |
|---|---|---|
| Turnos del sistema que interrumpieron al usuario, línea base basada en silencio vs modelo TurnGPT más VAP | 16,6% vs 6,9% | Skantze e Irfan, KTH, 2025 |
| Tiempo de respuesta mediano del sistema, línea base basada en silencio vs modelo TurnGPT más VAP | 2,7 s vs 1,5 s | Skantze e Irfan, KTH, 2025 |
| Participantes que prefirieron la línea base basada en silencio / sin preferencia | 9 de 39 / 3 de 39 | Skantze e Irfan, KTH, 2025 |
| Emisiones en las que el detector de fin de habla dejó de escuchar demasiado pronto, benchmark SLURP, línea base vs con árbitro | 2,39% vs 2,19% (reducción relativa del 8,37%) | Raju et al., Amazon, 2024 |
| Reducción relativa del fin de habla prematuro en consultas transaccionales / latencia del percentil 99 antes vs después | 16,34% / 1.110 ms vs 1.320 ms | Raju et al., Amazon, 2024 |
| Precisión al predecir un fin de turno verdadero, detector acústico vs modelo de extremo a extremo (recall del 97,3% vs 97,5%) | 67,3% vs 84,7% | Chang et al., Google, Interspeech 2022 |
| Tasa de falsos positivos en TurnBench, detector simple de energía vs VAD de servidor de OpenAI Realtime | 0,632 vs 0,525 | Clasificación de TurnBench, consultada el 31 de octubre de 2026 |
| Reducción de interrupciones involuntarias, detector de turno con transformer más VAD vs solo VAD | 85% | Blog de LiveKit, 20 de diciembre de 2024 (afirmación propia del proveedor, sin conjunto de prueba divulgado) |
Nota de contexto: la línea base del robot dependía de un detector de fin de habla de Google no documentado que los autores infieren que se basa en un umbral, y citan un umbral de 1 s, así que debe leerse como un sistema basado en silencio y no como un ajuste preciso de temporizador. El estudio de fin de turno de Google usó habla de prueba con disfluencias (pausas aleatorias, pausas llenas como «eh», palabras alargadas y frases repetidas), los casos en los que el artículo dice que un detector de fin de habla convencional corta al usuario (Chang et al., Google, Turn-Taking Prediction for Natural Conversational Speech, Interspeech 2022). Su conjunto de prueba de conversación natural tiene solo 200 emisiones de 10 hablantes, así que conviene tomar las cifras de precisión como orientativas.
4. Predecir el Final de un Turno: VAP, TurnGPT y la Clasificación
Los modelos predictivos escuchan cómo avanza la frase, no solo si la sala se quedó en silencio. TurnGPT, un modelo de texto, alcanzó 0,823 de exactitud balanceada en diálogo hablado espontáneo frente a 0,748 de una línea base LSTM (Ekstedt y Skantze, TurnGPT, Findings of EMNLP 2020). La exactitud balanceada promedia el rendimiento en los «cambios de turno» y las «continuaciones de turno», así que 0,5 equivale al azar. Voice Activity Projection (VAP) trabaja sobre el propio audio y predice quién hablará durante los próximos 2 segundos.
El idioma es la variable oculta. Un modelo VAP entrenado con inglés cayó a una exactitud balanceada del 59,43% en japonés, frente al 74,20% de un modelo entrenado con japonés, y los cambios de turno representaron el 42,9% de los momentos de cambio o continuación en los datos en japonés frente al 9,9% en inglés (Inoue et al., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024). Un detector de turnos ajustado con llamadas en inglés no es un componente neutro en un producto multilingüe.
| Métrica | Valor | Fuente |
|---|---|---|
| Exactitud balanceada al predecir cambios de turno en diálogo hablado espontáneo, TurnGPT vs línea base LSTM | 0,823 vs 0,748 | Ekstedt y Skantze, KTH, Findings of EMNLP 2020 |
| Exactitud balanceada de VAP en cambio vs continuación, entrenado y probado en el mismo idioma: inglés / mandarín / japonés | 79,59% / 84,49% / 74,20% | Inoue et al., Kyoto University, LREC-COLING 2024 |
| VAP entrenado con inglés, probado en japonés | 59,43% | Inoue et al., Kyoto University, LREC-COLING 2024 |
| Proporción de eventos de cambio o continuación que son cambios de turno, datos de prueba en inglés vs japonés | 9,9% vs 42,9% | Inoue et al., Kyoto University, LREC-COLING 2024 |
| VAP en una CPU, 1 s vs 20 s de contexto de audio, datos en japonés: factor de tiempo real (por debajo de 1 = más rápido que el tiempo real) | 0,73 vs 13,69 | Inoue et al., Kyoto University, IWSDS 2024 |
| Voice Activity Projection en TurnBench: recall / tasa de falsos positivos / latencia | 0,845 / 0,055 / 368 ms | Clasificación de TurnBench, consultada el 31 de octubre de 2026 |
| Smart Turn v3 vs Kyutai Semantic VAD en TurnBench: recall / tasa de falsos positivos / latencia | 0,752 / 0,047 / 1.017 ms vs 0,773 / 0,059 / 1.007 ms | Clasificación de TurnBench, consultada el 31 de octubre de 2026 |
| Gemini 3.1 Live vs OpenAI Realtime con VAD semántico en TurnBench: recall / tasa de falsos positivos / latencia | 0,657 / 0,022 / 1.234 ms vs 0,303 / 0,018 / 793 ms | Clasificación de TurnBench, consultada el 31 de octubre de 2026 |
Nota de contexto: las proporciones de cambios de turno proceden de corpus distintos (llamadas telefónicas de Switchboard vs una tarea de agencia de viajes en japonés), así que la diferencia refleja tanto la tarea como el idioma. El resultado en tiempo real importa para el despliegue: con 1 segundo de contexto, VAP funcionó a 14,61 ms por fotograma en una CPU Intel Xeon y alcanzó una exactitud balanceada del 76,16%, ligeramente por encima del 74,20% medido con 20 segundos de contexto (Inoue et al., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024). La clasificación de TurnBench descalifica a los sistemas con una tasa de falsos positivos superior a 0,15, y los dos sistemas más cautelosos de la tabla mantienen las falsas alarmas en lo más bajo, pero son los que más finales de turno reales dejan pasar. Datos más recientes disponibles para TurnGPT: 2020.
5. Barge-In: Qué Pasa Cuando el Usuario Habla por Encima del Agente
El barge-in es el problema inverso: el agente está hablando y el usuario empieza a hablar. Parar rápido es solo la mitad del trabajo. En Full-Duplex-Bench v1.5, GPT-4o Realtime dejó de hablar 0,23 s después de una interrupción del usuario y atendió lo que dijo el usuario el 78% de las veces, mientras que Nova Sonic tardó 2,25 s en parar e ignoró la interrupción para seguir con su respuesta anterior el 71% de las veces (Lin et al., Full-Duplex-Bench v1.5, arXiv 2025). Los equipos de centros de contacto que evalúan estos modelos, tema de nuestras estadísticas de automatización de centros de contacto con agentes de voz, están eligiendo entre dos comportamientos muy distintos.
El error opuesto es ceder ante una señal de escucha (backchannel), el breve «aja» o «claro» que dice un oyente para mostrar que sigue el hilo. GPT-4o Realtime paró en 0,21 s incluso ante esas señales, lo que los autores interpretan como una parada demasiado ansiosa. Ceder al instante tampoco es la norma humana: una persona interrumpida sigue hablando una mediana de 1,48 s antes de ceder la palabra, así que el menor tiempo de parada no es automáticamente el objetivo correcto. Moshi está en el extremo opuesto de esa escala, con solo el 17,4% de las interrupciones del usuario terminando con el usuario tomando la palabra.
| Métrica | Valor | Fuente |
|---|---|---|
| El usuario interrumpe al agente, GPT-4o Realtime: tasa de atender lo que dijo el usuario / tasa de seguir con su respuesta anterior / tiempo hasta dejar de hablar | 0,78 / 0,10 / 0,23 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| El usuario interrumpe al agente, endpoint de Gemini 2.0 Flash Live: tasa de atender lo que dijo el usuario / tasa de seguir con su respuesta anterior / tiempo hasta dejar de hablar | 0,33 / 0,55 / 2,20 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| El usuario interrumpe al agente, Nova Sonic: tasa de atender lo que dijo el usuario / tasa de seguir con su respuesta anterior / tiempo hasta dejar de hablar | 0,24 / 0,71 / 2,25 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| El usuario solo emite señales de escucha («aja»): tiempo de parada de GPT-4o Realtime vs tasa de seguir con su respuesta anterior de Nova Sonic | 0,21 s vs 0,98 | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| Interrupciones del usuario que terminan con el usuario tomando la palabra, según quién fue interrumpido: Moshi / sistema en cascada / hablante humano | 17,4% / 59,4% / 63,6% | Arora et al., Talking Turns, ICLR 2025 |
| Decisiones de Moshi que fueron interrupciones falsas positivas del usuario | 2,09% de todas las decisiones | Arora et al., Talking Turns, ICLR 2025 |
| Tiempo mediano que un humano interrumpido sigue hablando antes de ceder la palabra | 1,48 s | TurnBench, Jiang et al., IEEE SLT 2026 |
| Barge-in (permitir interrupción) por defecto en los prompts de Amazon Lex V2 | Activado (true) | Documentación de AWS Lex V2 |
Nota de contexto: el estudio con usuarios de Talking Turns recopiló unas 4 horas de conversación entre humanos e IA por sistema con 11 participantes, y las interrupciones del usuario representaron solo el 0,2% (Moshi) y el 0,1% (en cascada) de los casos evaluados, así que estos porcentajes se apoyan en recuentos pequeños, el del sistema en cascada en especial (Arora et al., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, ICLR 2025). Full-Duplex-Bench v1.5 usa 200 interrupciones sintetizadas, no interlocutores reales. No encontramos ningún conjunto de datos primario público sobre la frecuencia con que los interlocutores de centros de contacto interrumpen a agentes de voz en producción.
6. Modelos Full-Duplex: Escuchar y Hablar al Mismo Tiempo
Los modelos full-duplex eliminan por completo la decisión de turno: escuchan y hablan en flujos de audio paralelos, de modo que el solapamiento y las señales de escucha pueden ocurrir de forma natural. Moshi, de Kyutai, informa de una latencia teórica de 160 ms y de 200 ms en la práctica, y sus autores señalan que el habla solapada representa entre el 10% y el 20% del tiempo hablado en la conversación real (Défossez et al., Kyutai, Moshi: a speech-text foundation model for real-time dialogue, 2024). La línea base en cascada de la evaluación de dGSLM no produjo nada de eso, con cero pausas y cero solapamiento por minuto de diálogo generado (Nguyen et al., Generative Spoken Dialogue Language Modeling, 2022).
La velocidad todavía no se ha convertido en criterio. En Full-Duplex-Bench, Moshi obtuvo una tasa de toma de turno de 0,980 durante las pausas del usuario en el conjunto Candor, frente a 0,310 de Gemini Live; en esta medida, menos es mejor, porque tomar la palabra mientras el usuario solo hace una pausa es un corte indebido (Lin et al., Full-Duplex-Bench, ASRU 2025). Los modelos full-duplex resolvieron el problema del silencio y heredaron el problema de la interrupción.
| Métrica | Valor | Fuente |
|---|---|---|
| Latencia de respuesta teórica / práctica de Moshi | 160 ms / 200 ms | Défossez et al., Kyutai, 2024 |
| Datos de preentrenamiento de audio de Moshi / de ajuste fino con conversaciones telefónicas de Fisher | 7 millones de horas / 2.000 horas | Défossez et al., Kyutai, 2024 |
| Habla solapada en la conversación real, según se cita en el artículo de Moshi | 10% a 20% del tiempo hablado | Défossez et al., Kyutai, 2024 (citando a Cetin y Shriberg 2006) |
| Solapamiento por minuto, conversaciones reales de Fisher vs sistema de diálogo en cascada | 3,6 s vs 0,0 s | Nguyen et al., dGSLM, 2022 |
| Pausas entre hablantes por minuto, conversaciones reales de Fisher vs sistema en cascada | 7,5 vs 14,9 | Nguyen et al., dGSLM, 2022 |
| Pausa / solapamiento acumulados, Moshi con temperatura de muestreo 1,0 vs conversaciones reales (mismo protocolo de dGSLM) | 4,5 s / 4,1 s vs 4,2 s / 3,3 s | Défossez et al., Kyutai, 2024 |
| Proporción del tiempo de conversación en pausas de silencio, Moshi vs sistema en cascada (estudio con usuarios) | 11,8% vs 32,4% | Arora et al., Talking Turns, ICLR 2025 |
| Tasa de toma de turno durante las pausas del usuario, conjunto Candor (menos es mejor): Moshi / dGSLM / Gemini Live | 0,980 / 0,935 / 0,310 | Lin et al., Full-Duplex-Bench, 2025 |
Nota de contexto: las estadísticas de turnos de Moshi oscilan con la temperatura de muestreo. Con temperatura 0,8, su solapamiento acumulado bajó a 1,2 s y las pausas subieron a 12,5 s, de modo que una única cifra de «solapamiento de Moshi» puede citarse en cualquiera de los dos sentidos. Datos más recientes disponibles para dGSLM: 2022.
Resumen: Detección de Fin de Turno y Barge-In en IA Conversacional en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Momento en que el oyente empieza a hablar en transiciones fluidas (antes del fin del turno) | Mediana de 151 ms antes | TurnBench, IEEE SLT 2026 |
| Transiciones de turno más rápidas que 200 ms | 51% a 55% | Heldner y Edlund 2010, vía Frontiers in Psychology 2015 |
| Retraso de respuesta cuando la réplica no contesta la pregunta | +131,78 ms | Stivers et al., PNAS 2009 |
| Desfase medio de las respuestas que los anotadores juzgaron puntuales, japonés vs danés | 36 ms vs 203 ms | Stivers et al., PNAS 2009 |
| Espera de silencio por defecto de Amazon Lex V2 antes de dar por terminada la emisión | 600 ms | Documentación de AWS Lex V2 |
| Latencia de endpoint mediana de Google, modelo separado vs conjunto | 390 ms vs 270 ms | Bijwadia et al., Google, SLT 2022 |
| Turnos del robot que interrumpieron al usuario, línea base basada en silencio vs modelo predictivo | 16,6% vs 6,9% | Skantze e Irfan, KTH, 2025 |
| Tiempo de respuesta mediano del robot, línea base basada en silencio vs modelo predictivo | 2,7 s vs 1,5 s | Skantze e Irfan, KTH, 2025 |
| Precisión al predecir un fin de turno verdadero, detector acústico vs modelo de extremo a extremo | 67,3% vs 84,7% | Chang et al., Google, Interspeech 2022 |
| Exactitud de VAP, modelo entrenado con inglés en japonés vs entrenado con japonés | 59,43% vs 74,20% | Inoue et al., LREC-COLING 2024 |
| GPT-4o Realtime vs Nova Sonic, tiempo hasta parar tras la interrupción del usuario | 0,23 s vs 2,25 s | Full-Duplex-Bench v1.5, 2025 |
| Interrupciones del usuario que terminan con el usuario tomando la palabra, Moshi vs hablante humano | 17,4% vs 63,6% | Arora et al., ICLR 2025 |
| Latencia teórica / práctica de Moshi | 160 ms / 200 ms | Kyutai, 2024 |
| Solapamiento por minuto, llamadas reales de Fisher vs sistema en cascada | 3,6 s vs 0,0 s | Nguyen et al., dGSLM, 2022 |
| Proporción de pausas de silencio en la conversación, Moshi vs sistema en cascada | 11,8% vs 32,4% | Arora et al., ICLR 2025 |
| Tasa de toma de turno de Moshi durante las pausas del usuario, conjunto Candor | 0,980 | Full-Duplex-Bench, 2025 |
Metodología y Fuentes
- Jiang et al., TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue, IEEE SLT 2026 y la clasificación de TurnBench en vivo: estadísticas de ritmo humano y recall, tasa de falsos positivos y latencia de los sistemas.
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009: 10 idiomas, 101 conversaciones, preguntas polares (de sí o no).
- Levinson y Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015: análisis de Switchboard y revisión de Heldner y Edlund (Journal of Phonetics 2010).
- AWS, Configuring timeouts for capturing user input with a Lex V2 bot: ajustes por defecto de silencio, de inicio y de barge-in.
- Bijwadia et al., Google, Unified End-to-End Speech Recognition and Endpointing for Fast and Efficient Speech Systems, SLT 2022.
- Chang et al., Google, Turn-Taking Prediction for Natural Conversational Speech, Interspeech 2022.
- Raju et al., Amazon, Two-Pass Endpoint Detection for Speech Recognition, 2024.
- Skantze e Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025.
- Ekstedt y Skantze, TurnGPT, Findings of EMNLP 2020.
- Inoue et al., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024 y Inoue et al., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024.
- Lin et al., Full-Duplex-Bench, ASRU 2025 y Lin et al., Full-Duplex-Bench v1.5, 2025 (versión 3, 28 de enero de 2026).
- Arora et al., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, ICLR 2025.
- Défossez et al., Kyutai, Moshi: a speech-text foundation model for real-time dialogue, 2024.
- Nguyen et al., Generative Spoken Dialogue Language Modeling (dGSLM), 2022, publicado en TACL 2023.
- LiveKit, Using a transformer to improve end of turn detection, 20 de diciembre de 2024: afirmaciones del proveedor, señaladas como tales.
- Nota sobre los datos: el artículo de Moshi describe un tiempo medio de respuesta de 230 ms en 10 idiomas, mientras que el estudio de PNAS informa de una media de 208 ms, así que los promedios entre idiomas difieren según la fuente. La prevalencia del solapamiento también varía según el método: alrededor del 30% de las transferencias de turno en el análisis de Switchboard de Levinson y Torreira frente a alrededor del 40% de las transiciones en Heldner y Edlund. El resumen de conferencia de Google indica reducciones de las latencias mediana y del percentil 90 de 130 ms (33,3%) y 160 ms (22,2%), mientras que las tablas de arXiv usadas aquí dan 120 ms (30,8%) y 170 ms (23,0%). La clasificación de TurnBench está en vivo y acepta envíos externos, así que las posiciones cambiarán; las cifras anteriores se leyeron el 31 de octubre de 2026, y dejamos fuera las entradas externas autoenviadas, nueve de las cuales superan a Voice Activity Projection en recall. Las cifras de Full-Duplex-Bench v1.5 proceden de la versión 3 de arXiv. No encontramos datos públicos primarios sobre la frecuencia del barge-in en centros de contacto.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando las actas de IEEE SLT 2026 publiquen el artículo final de TurnBench.