Dans 30 heures de conversation à deux annotée à la main, les auditeurs ont commencé à parler en médiane 151 ms avant la fin du tour en cours, alors qu’Amazon Lex V2 attend par défaut 600 ms de silence après l’arrêt de l’appelant avant de décider que l’énoncé est terminé. Cet écart résume tout le problème de la détection de fin de tour : les humains prédisent la fin d’un tour, la plupart des machines attendent le silence. Attendre a un coût mesurable dans les deux sens. Un robot utilisant une détection de fin de tour fondée sur le silence a interrompu ses utilisateurs dans 16,6% de ses tours tout en répondant avec un délai médian de 2,7 s, et lorsque des utilisateurs parlaient par-dessus des modèles vocaux commerciaux, le temps nécessaire à ces modèles pour se taire allait de 0,23 s à 2,25 s. Ce tour d’horizon se concentre sur la décision de fin de tour elle-même ; pour le délai de bout en bout entre le microphone et le premier son, consultez nos statistiques de latence des agents vocaux IA. Nous avons agrégé des données issues du benchmark TurnBench, de l’étude PNAS du Max Planck sur la prise de tour, des articles d’Amazon Science et de Google Research sur l’endpointing, de l’article Moshi de Kyutai, des benchmarks Full-Duplex-Bench et Talking Turns, ainsi que de recherches évaluées par des pairs sur Voice Activity Projection.
TL;DR
- Les auditeurs commencent à parler en médiane 151 ms avant la fin du tour de l’autre personne lors des passages de tour fluides (TurnBench, IEEE SLT 2026)
- 51% à 55% des transitions de tour dans trois corpus de conversation durent moins de 200 ms (Heldner et Edlund 2010, passé en revue dans Frontiers in Psychology 2015)
- Amazon Lex V2 attend par défaut 600 ms de silence avant de considérer un énoncé parlé comme terminé (documentation AWS Lex V2)
- La reconnaissance vocale et l’endpointing conjoints ont réduit la latence d’endpoint médiane de Google de 390 ms à 270 ms (Bijwadia et al., Google, SLT 2022)
- Une base de référence de robot fondée sur le silence a interrompu les utilisateurs dans 16,6% des tours du système, contre 6,9% pour un modèle prédictif (Skantze et Irfan, KTH, 2025)
- Un modèle de prise de tour entraîné sur l’anglais est tombé à 59,43% d’exactitude équilibrée sur une conversation en japonais (Inoue et al., LREC-COLING 2024)
- Lorsque les utilisateurs interrompaient, GPT-4o Realtime a cessé de parler en 0,23 s et Nova Sonic en 2,25 s (Full-Duplex-Bench v1.5, 2025)
- Seules 17,4% des interruptions de l’utilisateur se sont soldées par une prise de parole de l’utilisateur sur Moshi, contre 63,6% dans une conversation humaine (Arora et al., ICLR 2025)
- La conception full-duplex de Moshi affiche une latence théorique de 160 ms et de 200 ms en pratique (Kyutai, article Moshi 2024)
- Un pipeline de dialogue en cascade a produit 0,0 s de parole en chevauchement par minute, contre 3,6 s dans de vrais appels téléphoniques Fisher (Nguyen et al., Generative Spoken Dialogue Language Modeling 2022)
1. La référence humaine : les tours se chevauchent plus qu’ils n’attendent
L’image classique de la conversation, où une personne parle, s’arrête, puis l’autre répond, est fausse d’une manière qui compte pour les logiciels. Dans TurnBench, un benchmark de 2026 construit à partir de 30 heures de conversation dyadique (à deux personnes) annotée à la main, les auditeurs ont commencé à parler en médiane 151 ms avant la fin du tour en cours, et lorsque l’on inclut les interruptions où l’auditeur prend la parole, le décalage médian atteint 281 ms avant la fin (TurnBench, Jiang et al., IEEE SLT 2026). Un « transfert de parole » désigne simplement le moment où le droit de parler passe d’une personne à l’autre. Un détecteur qui attend le silence est en retard par conception, avant même que le moindre traitement ne commence.
Le rythme porte aussi du sens. L’étude PNAS sur 10 langues a constaté que les réponses qui ne répondent pas à la question (par exemple « je ne sais pas ») arrivent 131,78 ms plus tard que les vraies réponses, et que les confirmations arrivent 206,87 ms plus tôt que les infirmations dans le modèle multivarié (Stivers et al., PNAS 2009). Les humains perçoivent ces délais comme des signaux. Un agent vocal qui attend toujours le même silence fixe avant de répondre envoie un signal qu’il ne veut pas envoyer.
| Métrique | Valeur | Source |
|---|---|---|
| Décalage médian au moment où l’auditeur commence à parler, passages de tour fluides (négatif = avant la fin du tour) | -151 ms | TurnBench, Jiang et al., IEEE SLT 2026 |
| Décalage de réponse le plus fréquent (modal) après une question oui/non, 10 langues combinées | 0 ms (modes par langue de 0 à +200 ms) | Stivers et al., PNAS 2009 |
| Délai supplémentaire lorsque la réponse ne répond pas à la question, modèle multivarié | +131,78 ms (IC à 95% de 59,34 à 204,23) | Stivers et al., PNAS 2009 |
| Écart de délai entre confirmations et infirmations, modèle multivarié | -206,87 ms (IC à 95% de -268,61 à -145,12) | Stivers et al., PNAS 2009 |
| Décalage de réponse moyen parmi les réponses jugées dans les temps par les annotateurs, japonais contre danois | 36 ms contre 203 ms | Stivers et al., PNAS 2009 |
| Part des transitions de tour plus rapides que 200 ms, trois corpus | 51% à 55% | Heldner et Edlund 2010, passé en revue dans Levinson et Torreira, Frontiers in Psychology 2015 |
| Part du signal Switchboard où les deux locuteurs parlent en même temps | 3,8% | Levinson et Torreira, Frontiers in Psychology 2015 |
Note de contexte : le tableau du chevauchement dépend de la façon dont il est mesuré. La parole en chevauchement ne couvre que 3,8% de l’audio de Switchboard, mais Heldner et Edlund ont trouvé des chevauchements dans environ 40% des transitions, parce que la plupart des chevauchements sont brefs (Levinson et Torreira, Frontiers in Psychology 2015). Données disponibles les plus récentes pour les chiffres entre langues : Stivers et al., 2009, et Heldner et Edlund, 2010. Le rythme des tours de parole humains évolue lentement, l’ancienneté de ces études compte donc moins que pour des benchmarks de produits.
2. Combien de temps les machines attendent : délais de silence et latence d’endpoint
La plupart des systèmes en production décident encore qu’un tour est terminé avec un minuteur. Amazon Lex V2 attend par défaut 600 ms de silence après l’arrêt de l’appelant avant de considérer l’énoncé comme terminé, attend 4 000 ms que l’appelant commence à parler, et tronque tout énoncé isolé à 55 000 ms (AWS, Configuring timeouts for capturing user input with a Lex V2 bot). Des articles de recherche décrivent des réglages encore plus longs : les auteurs de Voice Activity Projection indiquent que les systèmes de dialogue parlé utilisent généralement un délai de silence d’environ 1 ou 2 secondes.
La frontière de la recherche consiste à gagner des millisecondes sur l’instant où le système s’engage. Le modèle conjoint de Google, qui partage des couches entre la reconnaissance vocale et l’endpointer (le composant qui décide que l’utilisateur a fini), a réduit la latence d’endpoint médiane de 390 ms à 270 ms et la latence au 90e percentile de 740 ms à 570 ms, avec un taux d’erreur sur les mots maintenu à 5,8% (Bijwadia et al., Google, Unified End-to-End Speech Recognition and Endpointing, SLT 2022). Des décisions plus rapides n’aident que si la transcription est juste, un thème traité dans nos statistiques sur les hallucinations de la reconnaissance vocale.
| Métrique | Valeur | Source |
|---|---|---|
| Attente de silence par défaut après l’arrêt de l’appelant, Amazon Lex V2 | 600 ms | Documentation AWS Lex V2 |
| Délai de silence par défaut avant une fin de tour par VAD seul, LiveKit Agents (valeur par défaut du fournisseur) | 500 ms | Blog LiveKit, 20 décembre 2024 (réglage propre au fournisseur) |
| Délai de silence habituel dans les systèmes de dialogue parlé | Environ 1 ou 2 secondes | Inoue et al., Université de Kyoto, IWSDS 2024 |
| Latence d’endpoint médiane / au 90e percentile, modèles de reconnaissance et d’endpointing séparés (recherche vocale Google, environ 14 000 énoncés) | 390 ms / 740 ms | Bijwadia et al., Google, SLT 2022 |
| Latence d’endpoint médiane / au 90e percentile, modèle conjoint | 270 ms / 570 ms (120 ms et 170 ms de moins, soit 30,8% et 23,0%) | Bijwadia et al., Google, SLT 2022 |
| Latence d’endpoint aux 50e / 90e / 99e percentiles, référence Alexa sur requêtes transactionnelles | 300 / 570 / 1 110 ms | Raju et al., Amazon, Two-Pass Endpoint Detection 2024 |
Note de contexte : c’est la dispersion entre percentiles qui compte. Une médiane de 300 ms semble proche du rythme humain, mais le 1% de requêtes transactionnelles Alexa le plus lent a attendu 1 110 ms ou plus pour la seule décision d’endpoint, avant même qu’une réponse ne soit générée (Raju et al., Amazon, Two-Pass Endpoint Detection for Speech Recognition, 2024). Données disponibles les plus récentes pour les chiffres de Google : 2022.
3. Coupures et réponses tardives : le compromis de l’endpointing
Chaque endpointer échange deux défaillances l’une contre l’autre : couper l’utilisateur en pleine réflexion (une fausse coupure) ou laisser un silence mort une fois l’utilisateur arrivé au bout. La mesure la plus directe que nous ayons trouvée provient d’une étude auprès de 39 participants avec une tête de robot Furhat. Avec la base de référence standard fondée sur le silence, le robot a interrompu les utilisateurs dans 16,6% de ses tours, avec malgré tout un temps de réponse médian de 2,7 s ; un modèle prédictif combinant TurnGPT et Voice Activity Projection a ramené les interruptions à 6,9% et la réponse médiane à 1,5 s, les deux écarts étant à p < 0,001 (Skantze et Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025). La conception fondée sur le silence a perdu sur les deux axes à la fois.
Corriger un côté coûte généralement sur l’autre. L’« arbitre » de second passage d’Amazon, qui revérifie le premier endpointer avant de fermer le microphone, a réduit l’endpointing prématuré (l’arrêt avant que l’utilisateur ait fini) de 16,34% sur les requêtes transactionnelles, mais a fait passer la latence au 99e percentile de 1 110 ms à 1 320 ms. Les détecteurs les plus grossiers échouent dans l’autre sens : de simples déclencheurs de niveau sonore se sont activés dans plus de la moitié des moments où le tour n’était pas réellement terminé (voir la ligne sur les faux positifs ci-dessous). Ces déclencheurs réagissent au son plutôt qu’au sens, donc l’audio qui leur parvient compte, ce qui rejoint nos statistiques sur la suppression de bruit neuronale.
| Métrique | Valeur | Source |
|---|---|---|
| Tours du système ayant interrompu l’utilisateur, base de référence fondée sur le silence contre modèle TurnGPT plus VAP | 16,6% contre 6,9% | Skantze et Irfan, KTH, 2025 |
| Temps de réponse médian du système, base de référence fondée sur le silence contre modèle TurnGPT plus VAP | 2,7 s contre 1,5 s | Skantze et Irfan, KTH, 2025 |
| Participants ayant préféré la base de référence fondée sur le silence / sans préférence | 9 sur 39 / 3 sur 39 | Skantze et Irfan, KTH, 2025 |
| Énoncés où l’endpointer a cessé d’écouter trop tôt, benchmark SLURP, base de référence contre avec arbitre | 2,39% contre 2,19% (réduction relative de 8,37%) | Raju et al., Amazon, 2024 |
| Baisse relative de l’endpointing prématuré sur requêtes transactionnelles / latence au 99e percentile avant contre après | 16,34% / 1 110 ms contre 1 320 ms | Raju et al., Amazon, 2024 |
| Précision de la prédiction d’une vraie fin de tour, détecteur acoustique contre modèle de bout en bout (rappel de 97,3% contre 97,5%) | 67,3% contre 84,7% | Chang et al., Google, Interspeech 2022 |
| Taux de faux positifs sur TurnBench, détecteur d’énergie simple contre VAD serveur d’OpenAI Realtime | 0,632 contre 0,525 | Classement TurnBench, consulté le 31 octobre 2026 |
| Réduction des interruptions involontaires, détecteur de tour à transformeur plus VAD contre VAD seul | 85% | Blog LiveKit, 20 décembre 2024 (affirmation propre au fournisseur, aucun jeu de test divulgué) |
Note de contexte : la base de référence du robot reposait sur un détecteur de fin de parole de Google non documenté que les auteurs jugent fondé sur un seuil, et ils citent un seuil de 1 s ; il faut donc le lire comme un système fondé sur le silence plutôt que comme un réglage de minuteur précis. L’étude de Google sur la fin de tour a utilisé de la parole test non fluide (pauses aléatoires, pauses remplies comme « euh », mots allongés et expressions répétées), les cas où l’article dit qu’un endpointer classique coupe l’utilisateur (Chang et al., Google, Turn-Taking Prediction for Natural Conversational Speech, Interspeech 2022). Son jeu de test de conversation naturelle ne compte que 200 énoncés de 10 locuteurs ; les chiffres de précision sont donc à lire comme des tendances.
4. Prédire la fin d’un tour : VAP, TurnGPT et le classement
Les modèles prédictifs écoutent la façon dont la phrase se déroule, pas seulement le fait que la pièce soit devenue silencieuse. TurnGPT, un modèle de texte, a atteint une exactitude équilibrée de 0,823 sur du dialogue parlé spontané, contre 0,748 pour une base de référence LSTM (Ekstedt et Skantze, TurnGPT, Findings of EMNLP 2020). L’exactitude équilibrée fait la moyenne des performances sur les « changements de tour » et les « maintiens de tour », de sorte que 0,5 correspond au hasard. Voice Activity Projection (VAP) travaille sur l’audio lui-même et prédit les 2 secondes suivantes de qui va parler.
La langue est la variable cachée. Un modèle VAP entraîné sur l’anglais est tombé à 59,43% d’exactitude équilibrée sur le japonais, contre 74,20% pour un modèle entraîné sur le japonais, et les changements de tour représentaient 42,9% des moments changement-ou-maintien dans les données japonaises contre 9,9% en anglais (Inoue et al., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024). Un détecteur de tour réglé sur des appels en anglais n’est pas un composant neutre dans un produit multilingue.
| Métrique | Valeur | Source |
|---|---|---|
| Exactitude équilibrée de la prédiction des changements de tour dans un dialogue parlé spontané, TurnGPT contre base de référence LSTM | 0,823 contre 0,748 | Ekstedt et Skantze, KTH, Findings of EMNLP 2020 |
| Exactitude équilibrée changement contre maintien de VAP, entraîné et testé sur la même langue : anglais / mandarin / japonais | 79,59% / 84,49% / 74,20% | Inoue et al., Université de Kyoto, LREC-COLING 2024 |
| VAP entraîné sur l’anglais, testé sur le japonais | 59,43% | Inoue et al., Université de Kyoto, LREC-COLING 2024 |
| Part des événements changement-ou-maintien qui sont des changements de tour, données de test anglaises contre japonaises | 9,9% contre 42,9% | Inoue et al., Université de Kyoto, LREC-COLING 2024 |
| VAP sur CPU, contexte audio de 1 s contre 20 s, données japonaises : facteur temps réel (inférieur à 1 = plus rapide que le temps réel) | 0,73 contre 13,69 | Inoue et al., Université de Kyoto, IWSDS 2024 |
| Voice Activity Projection sur TurnBench : rappel / taux de faux positifs / latence | 0,845 / 0,055 / 368 ms | Classement TurnBench, consulté le 31 octobre 2026 |
| Smart Turn v3 contre Kyutai Semantic VAD sur TurnBench : rappel / taux de faux positifs / latence | 0,752 / 0,047 / 1 017 ms contre 0,773 / 0,059 / 1 007 ms | Classement TurnBench, consulté le 31 octobre 2026 |
| Gemini 3.1 Live contre VAD sémantique d’OpenAI Realtime sur TurnBench : rappel / taux de faux positifs / latence | 0,657 / 0,022 / 1 234 ms contre 0,303 / 0,018 / 793 ms | Classement TurnBench, consulté le 31 octobre 2026 |
Note de contexte : les parts de changements de tour proviennent de corpus différents (appels téléphoniques Switchboard contre une tâche d’agence de voyages japonaise), l’écart reflète donc la tâche autant que la langue. Le résultat en temps réel compte pour le déploiement : avec 1 seconde de contexte, VAP a tourné à 14,61 ms par trame sur un CPU Intel Xeon et atteint 76,16% d’exactitude équilibrée, légèrement au-dessus des 74,20% mesurés avec 20 secondes de contexte (Inoue et al., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024). Le classement TurnBench disqualifie les systèmes dont le taux de faux positifs dépasse 0,15, et les deux systèmes les plus prudents du tableau gardent les fausses alertes au plus bas tout en manquant le plus de vraies fins de tour. Données disponibles les plus récentes pour TurnGPT : 2020.
5. Barge-in : ce qui se passe quand l’utilisateur parle par-dessus l’agent
Le barge-in est le problème inverse : l’agent parle et l’utilisateur se met à parler. S’arrêter vite n’est que la moitié du travail. Sur Full-Duplex-Bench v1.5, GPT-4o Realtime a cessé de parler 0,23 s après une interruption de l’utilisateur et a répondu à ce que disait l’utilisateur dans 78% des cas, tandis que Nova Sonic a mis 2,25 s à s’arrêter et a ignoré l’interruption pour poursuivre sa réponse précédente dans 71% des cas (Lin et al., Full-Duplex-Bench v1.5, arXiv 2025). Les équipes de centres de contact qui évaluent ces modèles, dont nous parlons dans nos statistiques sur l’automatisation des centres de contact par agents vocaux, choisissent entre deux comportements très différents.
L’erreur opposée consiste à céder à un signal d’écoute (backchannel), le court « mm-hm » ou « d’accord » que dit un auditeur pour montrer qu’il suit. GPT-4o Realtime s’est arrêté en 0,21 s même sur ces signaux, ce que les auteurs interprètent comme un arrêt trop zélé. Céder instantanément n’est pas non plus la norme humaine : une personne interrompue continue de parler en médiane 1,48 s avant de céder la parole, de sorte que le temps d’arrêt le plus bas n’est pas automatiquement la bonne cible. Moshi se situe à l’extrémité de cette échelle, avec seulement 17,4% des interruptions de l’utilisateur se soldant par une prise de parole de l’utilisateur.
| Métrique | Valeur | Source |
|---|---|---|
| L’utilisateur interrompt l’agent, GPT-4o Realtime : taux de réponse à ce que dit l’utilisateur / taux de poursuite de sa réponse précédente / temps d’arrêt | 0,78 / 0,10 / 0,23 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| L’utilisateur interrompt l’agent, point d’accès Gemini 2.0 Flash Live : taux de réponse à ce que dit l’utilisateur / taux de poursuite de sa réponse précédente / temps d’arrêt | 0,33 / 0,55 / 2,20 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| L’utilisateur interrompt l’agent, Nova Sonic : taux de réponse à ce que dit l’utilisateur / taux de poursuite de sa réponse précédente / temps d’arrêt | 0,24 / 0,71 / 2,25 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| L’utilisateur ne fait que des signaux d’écoute (« mm-hm ») : temps d’arrêt de GPT-4o Realtime contre taux de poursuite de sa réponse précédente de Nova Sonic | 0,21 s contre 0,98 | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| Interruptions de l’utilisateur qui se terminent par une prise de parole de l’utilisateur, selon qui a été interrompu : Moshi / système en cascade / locuteur humain | 17,4% / 59,4% / 63,6% | Arora et al., Talking Turns, ICLR 2025 |
| Décisions de Moshi qui étaient des interruptions faux positifs de l’utilisateur | 2,09% de toutes les décisions | Arora et al., Talking Turns, ICLR 2025 |
| Durée médiane pendant laquelle un humain interrompu continue de parler avant de céder la parole | 1,48 s | TurnBench, Jiang et al., IEEE SLT 2026 |
| Valeur par défaut du barge-in (autoriser l’interruption) pour les invites d’Amazon Lex V2 | Activé (true) | Documentation AWS Lex V2 |
Note de contexte : l’étude utilisateur de Talking Turns a recueilli environ 4 heures de conversation humain-IA par système avec 11 participants, et les interruptions de l’utilisateur ne représentaient que 0,2% (Moshi) et 0,1% (en cascade) des cas évalués ; ces pourcentages reposent donc sur de petits effectifs, surtout celui du système en cascade (Arora et al., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, ICLR 2025). Full-Duplex-Bench v1.5 utilise 200 interruptions synthétisées, pas des appelants réels. Nous n’avons trouvé aucun jeu de données primaire public sur la fréquence à laquelle les appelants de centres de contact interrompent des agents vocaux en production.
6. Modèles full-duplex : écouter et parler en même temps
Les modèles full-duplex abandonnent complètement la décision de fin de tour : ils écoutent et parlent sur des flux audio parallèles, si bien que le chevauchement et les signaux d’écoute peuvent se produire naturellement. Moshi de Kyutai annonce une latence théorique de 160 ms et de 200 ms en pratique, et ses auteurs notent que la parole en chevauchement représente 10% à 20% du temps de parole dans une conversation réelle (Défossez et al., Kyutai, Moshi: a speech-text foundation model for real-time dialogue, 2024). Le système en cascade de référence de l’évaluation dGSLM n’en produisait aucun, avec zéro pause et zéro chevauchement par minute de dialogue généré (Nguyen et al., Generative Spoken Dialogue Language Modeling, 2022).
La vitesse n’est pas encore devenue du jugement. Sur Full-Duplex-Bench, Moshi a obtenu un taux de prise de parole de 0,980 pendant les pauses de l’utilisateur dans le jeu Candor, contre 0,310 pour Gemini Live ; pour cette mesure, une valeur plus basse est meilleure, car prendre la parole alors que l’utilisateur ne fait que marquer une pause est une coupure (Lin et al., Full-Duplex-Bench, ASRU 2025). Les modèles full-duplex ont réglé le problème du silence et hérité du problème de l’interruption.
| Métrique | Valeur | Source |
|---|---|---|
| Latence de réponse théorique / pratique de Moshi | 160 ms / 200 ms | Défossez et al., Kyutai, 2024 |
| Données de préentraînement audio de Moshi / de fine-tuning sur conversations téléphoniques Fisher | 7 millions d’heures / 2 000 heures | Défossez et al., Kyutai, 2024 |
| Parole en chevauchement dans une conversation réelle, telle que citée dans l’article Moshi | 10% à 20% du temps de parole | Défossez et al., Kyutai, 2024 (citant Cetin et Shriberg 2006) |
| Chevauchement par minute, vraies conversations Fisher contre système de dialogue en cascade | 3,6 s contre 0,0 s | Nguyen et al., dGSLM, 2022 |
| Silences entre locuteurs par minute, vraies conversations Fisher contre système en cascade | 7,5 contre 14,9 | Nguyen et al., dGSLM, 2022 |
| Silence / chevauchement cumulés, Moshi à une température d’échantillonnage de 1,0 contre vraies conversations (même protocole dGSLM) | 4,5 s / 4,1 s contre 4,2 s / 3,3 s | Défossez et al., Kyutai, 2024 |
| Part du temps de conversation passée en silences, Moshi contre système en cascade (étude utilisateur) | 11,8% contre 32,4% | Arora et al., Talking Turns, ICLR 2025 |
| Taux de prise de parole pendant les pauses de l’utilisateur, jeu Candor (plus bas = mieux) : Moshi / dGSLM / Gemini Live | 0,980 / 0,935 / 0,310 | Lin et al., Full-Duplex-Bench, 2025 |
Note de contexte : les statistiques de tours de Moshi varient avec la température d’échantillonnage. À une température de 0,8, son chevauchement cumulé est tombé à 1,2 s et les silences sont montés à 12,5 s ; un chiffre unique de « chevauchement de Moshi » peut donc être cité dans un sens comme dans l’autre. Données disponibles les plus récentes pour dGSLM : 2022.
Résumé : détection de fin de tour et barge-in en IA conversationnelle en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Moment où l’auditeur commence à parler lors des passages de tour fluides (avant la fin du tour) | Médiane de 151 ms en avance | TurnBench, IEEE SLT 2026 |
| Transitions de tour plus rapides que 200 ms | 51% à 55% | Heldner et Edlund 2010, via Frontiers in Psychology 2015 |
| Délai de réponse lorsque la réponse ne répond pas à la question | +131,78 ms | Stivers et al., PNAS 2009 |
| Décalage moyen des réponses jugées dans les temps par les annotateurs, japonais contre danois | 36 ms contre 203 ms | Stivers et al., PNAS 2009 |
| Attente de silence par défaut d’Amazon Lex V2 avant la fin de l’énoncé | 600 ms | Documentation AWS Lex V2 |
| Latence d’endpoint médiane de Google, modèle séparé contre conjoint | 390 ms contre 270 ms | Bijwadia et al., Google, SLT 2022 |
| Tours du robot ayant interrompu l’utilisateur, base de référence fondée sur le silence contre modèle prédictif | 16,6% contre 6,9% | Skantze et Irfan, KTH, 2025 |
| Temps de réponse médian du robot, base de référence fondée sur le silence contre modèle prédictif | 2,7 s contre 1,5 s | Skantze et Irfan, KTH, 2025 |
| Précision de la prédiction d’une vraie fin de tour, détecteur acoustique contre modèle de bout en bout | 67,3% contre 84,7% | Chang et al., Google, Interspeech 2022 |
| Exactitude de VAP, modèle entraîné sur l’anglais testé sur le japonais contre modèle entraîné sur le japonais | 59,43% contre 74,20% | Inoue et al., LREC-COLING 2024 |
| GPT-4o Realtime contre Nova Sonic, temps d’arrêt après une interruption de l’utilisateur | 0,23 s contre 2,25 s | Full-Duplex-Bench v1.5, 2025 |
| Interruptions de l’utilisateur se terminant par une prise de parole de l’utilisateur, Moshi contre locuteur humain | 17,4% contre 63,6% | Arora et al., ICLR 2025 |
| Latence théorique / pratique de Moshi | 160 ms / 200 ms | Kyutai, 2024 |
| Chevauchement par minute, vrais appels Fisher contre système en cascade | 3,6 s contre 0,0 s | Nguyen et al., dGSLM, 2022 |
| Part de silences dans la conversation, Moshi contre système en cascade | 11,8% contre 32,4% | Arora et al., ICLR 2025 |
| Taux de prise de parole de Moshi pendant les pauses de l’utilisateur, jeu Candor | 0,980 | Full-Duplex-Bench, 2025 |
Méthodologie et sources
- Jiang et al., TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue, IEEE SLT 2026 et le classement TurnBench en direct : statistiques de rythme humain, ainsi que rappel, taux de faux positifs et latence des systèmes.
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009 : 10 langues, 101 conversations, questions fermées.
- Levinson et Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015 : analyse de Switchboard et revue de Heldner et Edlund (Journal of Phonetics 2010).
- AWS, Configuring timeouts for capturing user input with a Lex V2 bot : réglages par défaut du silence, du démarrage et du 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 et Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025.
- Ekstedt et Skantze, TurnGPT, Findings of EMNLP 2020.
- Inoue et al., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024 et Inoue et al., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024.
- Lin et al., Full-Duplex-Bench, ASRU 2025 et Lin et al., Full-Duplex-Bench v1.5, 2025 (version 3, 28 janvier 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, publié dans TACL 2023.
- LiveKit, Using a transformer to improve end of turn detection, 20 décembre 2024 : affirmations du fournisseur, signalées comme telles.
- Note sur les données : l’article Moshi décrit un temps de réponse moyen de 230 ms sur 10 langues, alors que l’étude PNAS rapporte une moyenne de 208 ms ; les moyennes entre langues diffèrent donc selon la source. La prévalence du chevauchement varie aussi selon la méthode : environ 30% des transferts de parole dans l’analyse de Switchboard par Levinson et Torreira contre environ 40% des transitions chez Heldner et Edlund. Le résumé de conférence de Google indique des réductions de la médiane et du 90e percentile de 130 ms (33,3%) et 160 ms (22,2%), alors que les tableaux arXiv utilisés ici donnent 120 ms (30,8%) et 170 ms (23,0%). Le classement TurnBench est en direct et accepte des soumissions externes, les rangs vont donc bouger ; les chiffres ci-dessus ont été lus le 31 octobre 2026, et nous avons laissé de côté les entrées externes autosoumises, dont neuf se classent au-dessus de Voice Activity Projection sur le rappel. Les chiffres de Full-Duplex-Bench v1.5 proviennent de la version 3 d’arXiv. Nous n’avons trouvé aucune donnée publique primaire sur la fréquence du barge-in en centre de contact.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lors de la publication des actes d’IEEE SLT 2026 contenant l’article final de TurnBench.