手作業でラベル付けした2人の会話30時間分のデータでは、聞き手は現在のターンが終わる中央値151ms前に話し始めていた。一方、Amazon Lex V2は既定で、発信者が話し終えてから600msの無音を待って初めて発話が完了したと判断する。 このギャップこそがターン終了検出の問題のすべてだ。人間はターンの終わりを予測するが、ほとんどの機械は無音を待つ。待つことには双方向で測定可能なコストがある。無音ベースのターン終了検出を使うロボットは、自分のターンの16.6%でユーザーを遮り、それでも応答の遅延は中央値で2.7秒だった。また、ユーザーが商用の音声モデルの発話に重ねて話したとき、モデルが話すのをやめるまでにかかった時間は0.23秒から2.25秒まで幅があった。この集計はターンの判定そのものに焦点を当てている。マイクから最初の音声までのパイプライン全体の遅延については、当社の音声AIエージェントのレイテンシ統計をご覧ください。データはTurnBenchベンチマーク、マックス・プランク研究所のPNASターンテイキング研究、Amazon ScienceとGoogle Researchのエンドポインティング論文、KyutaiのMoshi論文、Full-Duplex-BenchとTalking Turnsのベンチマーク、そして査読済みのVoice Activity Projection研究から集めた。
主なポイント
- 聞き手は、スムーズなターン交替で相手のターンが終わる中央値151ms前に話し始める(TurnBench、IEEE SLT 2026)
- 3つの会話コーパスで、ターン交替の51%から55%は200ms未満で行われる(HeldnerとEdlund 2010、Frontiers in Psychology 2015でレビュー)
- Amazon Lex V2は、発話が完了したと判断する前に既定で600msの無音を待つ(AWS Lex V2ドキュメント)
- 音声認識とエンドポインティングの統合により、Googleのエンドポイント遅延の中央値は390msから270msに短縮された(Bijwadiaほか、Google、SLT 2022)
- 無音ベースのロボットのベースラインはシステムのターンの16.6%でユーザーを遮ったが、予測モデルでは6.9%だった(SkantzeとIrfan、KTH、2025)
- 英語で学習したターンテイキングモデルは、日本語の会話で均衡精度が59.43%に低下した(Inoueほか、LREC-COLING 2024)
- ユーザーが割り込んだとき、GPT-4o Realtimeは0.23秒で、Nova Sonicは2.25秒で話すのをやめた(Full-Duplex-Bench v1.5、2025)
- ユーザーによる割り込みのうち、ユーザーがMoshiから発話権を奪った割合は17.4%にとどまり、人間同士の会話では63.6%だった(Aroraほか、ICLR 2025)
- Moshiの全二重設計は理論上の遅延が160msで、実際は200msだ(Kyutai、Moshi論文 2024)
- カスケード型の対話パイプラインが生成した重複発話は1分あたり0.0秒で、実際のFisher電話通話の3.6秒とは対照的だった(Nguyenほか、Generative Spoken Dialogue Language Modeling 2022)
1. 人間の基準:ターンは待つよりも重なり合う
会話の標準的なイメージ、つまり一方が話し、止まり、もう一方が答えるという図は、ソフトウェアにとって重要な点で間違っている。TurnBenchは、手作業でラベル付けした30時間の二者間(2人)会話から作られた2026年のベンチマークで、そこでは聞き手は現在のターンが終わる中央値151ms前に話し始めており、発話権を奪う割り込みを含めると、オフセットの中央値は終了の281ms前に達する(TurnBench、Jiangほか、IEEE SLT 2026)。ここでの「発話権の移行」とは、話す権利が一方から他方へ移る瞬間を指す。無音を待つ検出器は、処理が始まる前から設計上遅れている。
タイミングには意味もある。10言語を対象としたPNAS研究では、質問に答えていない応答(たとえば「わからない」)は本当の答えより131.78ms遅く届き、多変量モデルでは肯定応答は否定応答より206.87ms早く届くことがわかった(Stiversほか、PNAS 2009)。人間はこうした遅延を合図として受け取る。応答の前に常に同じ固定の無音を待つ音声エージェントは、意図していない合図を送ってしまう。
| 指標 | 値 | 出典 |
|---|---|---|
| 聞き手が話し始めるオフセットの中央値、スムーズなターン交替(負の値=ターン終了より前) | -151 ms | TurnBench、Jiangほか、IEEE SLT 2026 |
| はい/いいえの質問に対する応答の最頻(モード)オフセット、10言語合計 | 0 ms(言語別の最頻値は0〜+200 ms) | Stiversほか、PNAS 2009 |
| 応答が質問に答えていない場合の追加遅延、多変量モデル | +131.78 ms(95%信頼区間 59.34〜204.23) | Stiversほか、PNAS 2009 |
| 肯定応答と否定応答の遅延の差、多変量モデル | -206.87 ms(95%信頼区間 -268.61〜-145.12) | Stiversほか、PNAS 2009 |
| コーダーが適時と判断した応答の平均応答オフセット、日本語とデンマーク語 | 36 ms 対 203 ms | Stiversほか、PNAS 2009 |
| 200msより速いターン交替の割合、3コーパス | 51%〜55% | HeldnerとEdlund 2010、LevinsonとTorreira、Frontiers in Psychology 2015でレビュー |
| Switchboardの音声のうち両者が同時に話している割合 | 3.8% | LevinsonとTorreira、Frontiers in Psychology 2015 |
文脈メモ:重複の見え方は測定方法によって変わる。重複発話がSwitchboardの音声に占める割合はわずか3.8%だが、HeldnerとEdlundはターン交替の約40%で重複を確認している。重複の大半が短いためだ(LevinsonとTorreira、Frontiers in Psychology 2015)。言語間比較の数値について入手可能な最新データは、Stiversほか(2009年)とHeldnerとEdlund(2010年)だ。人間のターンのタイミングはゆっくりとしか変化しないため、これらの研究の古さは製品ベンチマークほど問題にならない。
2. 機械はどのくらい待つのか:無音タイムアウトとエンドポイント遅延
本番システムの多くは、今でもタイマーでターンの終了を判断している。Amazon Lex V2は、発信者が話し終えてから既定で600msの無音を待って初めて発話が完了したと判断し、発信者が話し始めるのを4,000ms待ち、1つの発話を55,000msで打ち切る(AWS、Configuring timeouts for capturing user input with a Lex V2 bot)。研究論文ではさらに長い設定が記述されている。Voice Activity Projectionの著者らは、音声対話システムは通常、約1秒か2秒の無音タイムアウトを使うと述べている。
研究の最前線は、システムが判断を確定する瞬間から数ミリ秒を削ることにある。音声認識とエンドポインタ(ユーザーが話し終えたと判断する構成要素)の間で層を共有するGoogleの統合モデルは、単語誤り率を5.8%に保ったまま、エンドポイント遅延の中央値を390msから270msに、90パーセンタイルの遅延を740msから570msに短縮した(Bijwadiaほか、Google、Unified End-to-End Speech Recognition and Endpointing、SLT 2022)。判断が速くなっても、文字起こしが正しくなければ意味がない。この点は当社の音声認識ハルシネーション統計で扱っている。
| 指標 | 値 | 出典 |
|---|---|---|
| 発信者が話し終えた後の既定の無音待機時間、Amazon Lex V2 | 600 ms | AWS Lex V2ドキュメント |
| VADのみによるターン終了までの既定の無音遅延、LiveKit Agents(ベンダーの既定値) | 500 ms | LiveKitブログ、2024年12月20日(ベンダー自身の設定) |
| 音声対話システムで一般的な無音タイムアウト | 約1秒または2秒 | Inoueほか、京都大学、IWSDS 2024 |
| エンドポイント遅延の中央値 / 90パーセンタイル、認識とエンドポインティングを別モデルにした場合(Google音声検索、約14,000発話) | 390 ms / 740 ms | Bijwadiaほか、Google、SLT 2022 |
| エンドポイント遅延の中央値 / 90パーセンタイル、統合モデル | 270 ms / 570 ms(120 msと170 ms低下、30.8%と23.0%) | Bijwadiaほか、Google、SLT 2022 |
| 50 / 90 / 99パーセンタイルのエンドポイント遅延、トランザクション系クエリでのAlexaのベースライン | 300 / 570 / 1,110 ms | Rajuほか、Amazon、Two-Pass Endpoint Detection 2024 |
文脈メモ:注目すべきはパーセンタイルの広がりだ。中央値300msは人間のタイミングに近く見えるが、Alexaのトランザクション系クエリのうち最も遅い1%は、応答が生成される前のエンドポイント判定だけで1,110ms以上待たされた(Rajuほか、Amazon、Two-Pass Endpoint Detection for Speech Recognition、2024)。Googleの数値について入手可能な最新データは2022年のものだ。
3. 誤った割り込みと遅れた応答:エンドポインティングのトレードオフ
すべてのエンドポインタは、2つの失敗を天秤にかけている。ユーザーが考えている途中で遮ること(誤った割り込み)と、ユーザーが話し終えた後に無音のまま待たせることだ。最も直接的な測定は、Furhatロボットヘッドを使った39人の被験者による研究から得られた。標準的な無音ベースのベースラインでは、ロボットは自分のターンの16.6%でユーザーを遮り、それでも応答時間の中央値は2.7秒だった。TurnGPTとVoice Activity Projectionを組み合わせた予測モデルでは、割り込みが6.9%、応答時間の中央値が1.5秒に減り、どちらの差もp < 0.001だった(SkantzeとIrfan、KTH、Applying General Turn-taking Models to Conversational Human-Robot Interaction、2025)。無音ベースの設計は両方の軸で同時に負けた。
一方を改善すると、たいてい他方が犠牲になる。Amazonの第2パスの「アービトレータ」は、マイクを閉じる前に最初のエンドポインタを再確認するもので、トランザクション系クエリでの早すぎるエンドポインティング(ユーザーが話し終える前に止めてしまうこと)を16.34%減らしたが、99パーセンタイルの遅延は1,110msから1,320msに悪化した。最も単純な検出器は逆方向に失敗する。単純な音量ベースのトリガーは、ターンが実際には終わっていない場面の半分以上で作動した(下の偽陽性の行を参照)。こうしたトリガーは意味ではなく音に反応するため、届く音声の品質が重要になり、これは当社のニューラルノイズ抑制統計につながる。
| 指標 | 値 | 出典 |
|---|---|---|
| ユーザーを遮ったシステムのターン、無音ベースのベースライン対TurnGPT+VAPモデル | 16.6% 対 6.9% | SkantzeとIrfan、KTH、2025 |
| システムの応答時間の中央値、無音ベースのベースライン対TurnGPT+VAPモデル | 2.7秒 対 1.5秒 | SkantzeとIrfan、KTH、2025 |
| 無音ベースのベースラインを好んだ参加者 / 好みがなかった参加者 | 39人中9人 / 39人中3人 | SkantzeとIrfan、KTH、2025 |
| エンドポインタが早すぎる段階で聞き取りを止めた発話、SLURPベンチマーク、ベースライン対アービトレータあり | 2.39% 対 2.19%(相対8.37%減) | Rajuほか、Amazon、2024 |
| トランザクション系クエリでの早すぎるエンドポインティングの相対的な削減 / 99パーセンタイル遅延の前後 | 16.34% / 1,110 ms 対 1,320 ms | Rajuほか、Amazon、2024 |
| 真のターン終了を予測する際の適合率、音響検出器対エンドツーエンドモデル(再現率は97.3%対97.5%) | 67.3% 対 84.7% | Changほか、Google、Interspeech 2022 |
| TurnBenchでの偽陽性率、単純なエネルギー検出器対OpenAI Realtimeのserver VAD | 0.632 対 0.525 | TurnBenchリーダーボード、2026年10月31日に確認 |
| 意図しない割り込みの減少、Transformerベースのターン検出器+VAD対VADのみ | 85% | LiveKitブログ、2024年12月20日(ベンダー独自の主張、テストセットは非公開) |
文脈メモ:ロボットのベースラインは、文書化されていないGoogleの発話終了検出器に依存しており、著者らはこれをしきい値ベースだと推測し、1秒のしきい値に言及している。そのため、正確なタイマー設定ではなく、無音ベースのシステムとして読むべきだ。Googleのターン終了研究は、流暢さを欠くテスト音声(ランダムなポーズ、「えーと」のようなフィラー、引き延ばした語、繰り返しのフレーズ)を使っており、論文によれば従来のエンドポインタがユーザーを遮ってしまうのはこうした場面だという(Changほか、Google、Turn-Taking Prediction for Natural Conversational Speech、Interspeech 2022)。自然会話のテストセットは10人の話者による200発話しかないため、適合率の数値は参考値として扱ってほしい。
4. ターン終了の予測:VAP、TurnGPT、リーダーボード
予測モデルは、部屋が静かになったかどうかだけでなく、文がどう展開しているかを聞き取る。テキストモデルのTurnGPTは、自発的な音声対話で均衡精度0.823を達成し、LSTMベースラインの0.748を上回った(EkstedtとSkantze、TurnGPT、Findings of EMNLP 2020)。均衡精度は「ターン交替」と「ターン保持」の性能を平均したものなので、0.5は偶然水準だ。Voice Activity Projection(VAP)は音声そのものを扱い、次の2秒間に誰が話すかを予測する。
言語は隠れた変数だ。英語で学習したVAPモデルは日本語で均衡精度が59.43%に低下したが、日本語で学習したモデルは74.20%だった。また、ターン交替が「交替か保持か」の場面に占める割合は、日本語データで42.9%、英語で9.9%だった(Inoueほか、Multilingual Turn-taking Prediction Using Voice Activity Projection、LREC-COLING 2024)。英語の通話でチューニングしたターン検出器は、多言語製品では中立な部品ではない。
| 指標 | 値 | 出典 |
|---|---|---|
| 自発的な音声対話でのターン交替予測の均衡精度、TurnGPT対LSTMベースライン | 0.823 対 0.748 | EkstedtとSkantze、KTH、Findings of EMNLP 2020 |
| VAPの交替対保持の均衡精度、同一言語で学習・テスト:英語 / 中国語(北京語) / 日本語 | 79.59% / 84.49% / 74.20% | Inoueほか、京都大学、LREC-COLING 2024 |
| 英語で学習し日本語でテストしたVAP | 59.43% | Inoueほか、京都大学、LREC-COLING 2024 |
| 交替か保持かのイベントのうちターン交替が占める割合、英語対日本語のテストデータ | 9.9% 対 42.9% | Inoueほか、京都大学、LREC-COLING 2024 |
| CPU上のVAP、音声コンテキスト1秒対20秒、日本語データ:リアルタイム係数(1未満=リアルタイムより高速) | 0.73 対 13.69 | Inoueほか、京都大学、IWSDS 2024 |
| TurnBenchでのVoice Activity Projection:再現率 / 偽陽性率 / 遅延 | 0.845 / 0.055 / 368 ms | TurnBenchリーダーボード、2026年10月31日に確認 |
| TurnBenchでのSmart Turn v3対Kyutai Semantic VAD:再現率 / 偽陽性率 / 遅延 | 0.752 / 0.047 / 1,017 ms 対 0.773 / 0.059 / 1,007 ms | TurnBenchリーダーボード、2026年10月31日に確認 |
| TurnBenchでのGemini 3.1 Live対semantic VAD搭載のOpenAI Realtime:再現率 / 偽陽性率 / 遅延 | 0.657 / 0.022 / 1,234 ms 対 0.303 / 0.018 / 793 ms | TurnBenchリーダーボード、2026年10月31日に確認 |
文脈メモ:交替の割合は異なるコーパス(Switchboardの電話通話対日本語の旅行代理店タスク)に由来するため、この差は言語だけでなくタスクの違いも反映している。リアルタイムの結果は実運用にとって重要だ。1秒のコンテキストで、VAPはIntel Xeon CPU上で1フレームあたり14.61msで動作し、均衡精度76.16%に達した。これは20秒のコンテキストで測定された74.20%をわずかに上回る(Inoueほか、Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection、IWSDS 2024)。TurnBenchリーダーボードは偽陽性率が0.15を超えるシステムを失格とする。表中で最も慎重な2つのシステムは誤警報が最も少ないが、実際のターン終了を最も多く見逃す。TurnGPTについて入手可能な最新データは2020年のものだ。
5. バージイン:ユーザーがエージェントの発話に重ねて話すとき
バージインは逆の問題だ。エージェントが話している最中に、ユーザーが話し始める。素早く止まることは、仕事の半分にすぎない。Full-Duplex-Bench v1.5では、GPT-4o Realtimeはユーザーの割り込みから0.23秒後に話すのをやめ、ユーザーの発言に78%の割合で対応したが、Nova Sonicは止まるまでに2.25秒かかり、割り込みを無視して以前の回答を続けた割合は71%だった(Linほか、Full-Duplex-Bench v1.5、arXiv 2025)。これらのモデルを評価するコンタクトセンターのチームは、当社の音声エージェントによるコンタクトセンター自動化統計で論じたように、まったく異なる2つの挙動のどちらかを選ぶことになる。
逆の誤りは、相槌(バックチャネル)、つまり聞き手が話を追っていることを示すために言う短い「うん」や「そうですね」に譲ってしまうことだ。GPT-4o Realtimeはそうした合図に対しても0.21秒で止まり、著者らはこれを過剰に反応して止まってしまう挙動と解釈している。即座に譲ることは人間の標準でもない。遮られた人は、発話権を譲るまでに中央値1.48秒話し続けるため、最短の停止時間が自動的に正しい目標になるわけではない。Moshiはこの尺度の対極にあり、ユーザーによる割り込みのうち、ユーザーが発話権を得て終わるのは17.4%にとどまる。
| 指標 | 値 | 出典 |
|---|---|---|
| ユーザーがエージェントに割り込む場合、GPT-4o Realtime:ユーザーの発言に対応した割合 / 以前の回答を続けた割合 / 話すのをやめるまでの時間 | 0.78 / 0.10 / 0.23秒 | Linほか、Full-Duplex-Bench v1.5、2025 |
| ユーザーがエージェントに割り込む場合、Gemini 2.0 Flash Liveのエンドポイント:ユーザーの発言に対応した割合 / 以前の回答を続けた割合 / 話すのをやめるまでの時間 | 0.33 / 0.55 / 2.20秒 | Linほか、Full-Duplex-Bench v1.5、2025 |
| ユーザーがエージェントに割り込む場合、Nova Sonic:ユーザーの発言に対応した割合 / 以前の回答を続けた割合 / 話すのをやめるまでの時間 | 0.24 / 0.71 / 2.25秒 | Linほか、Full-Duplex-Bench v1.5、2025 |
| ユーザーが相槌だけを打つ場合(「うん」):GPT-4o Realtimeの停止までの時間対Nova Sonicが以前の回答を続けた割合 | 0.21秒 対 0.98 | Linほか、Full-Duplex-Bench v1.5、2025 |
| ユーザーが発話権を得て終わる割り込み、遮られた側別:Moshi / カスケード型システム / 人間の話者 | 17.4% / 59.4% / 63.6% | Aroraほか、Talking Turns、ICLR 2025 |
| ユーザーに対する誤検出の割り込みだったMoshiの判断 | 全判断の2.09% | Aroraほか、Talking Turns、ICLR 2025 |
| 遮られた人間が発話権を譲るまで話し続ける時間の中央値 | 1.48秒 | TurnBench、Jiangほか、IEEE SLT 2026 |
| Amazon Lex V2のプロンプトにおけるバージイン(割り込み許可)の既定値 | オン(true) | AWS Lex V2ドキュメント |
文脈メモ:Talking Turnsのユーザー調査では、11人の参加者でシステムごとに約4時間の人間とAIの会話を収集しており、ユーザーによる割り込みは採点対象事例のうちMoshiで0.2%、カスケード型で0.1%にすぎなかった。したがって、これらの割合は少ない件数に基づいており、特にカスケード型の値はそうだ(Aroraほか、Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics、ICLR 2025)。Full-Duplex-Bench v1.5は、実際の発信者ではなく、合成された200件の割り込みを使っている。本番の音声エージェントに対してコンタクトセンターの発信者がどのくらいの頻度でバージインするかについては、公開された一次データセットは見つからなかった。
6. 全二重モデル:聞きながら同時に話す
全二重モデルはターンの判定そのものを捨てる。並列の音声ストリームで聞きながら話すため、重複や相槌が自然に起こりうる。KyutaiのMoshiは理論上の遅延160ms、実際は200msと報告しており、著者らは、実際の会話では重複発話が発話時間の10%から20%を占めると指摘している(Défossezほか、Kyutai、Moshi: a speech-text foundation model for real-time dialogue、2024)。dGSLM評価のカスケード型ベースラインはそれをまったく生成せず、生成した対話1分あたりのポーズも重複もゼロだった(Nguyenほか、Generative Spoken Dialogue Language Modeling、2022)。
速度はまだ判断力にはなっていない。Full-Duplex-Benchでは、Moshiは、Candorセットでのユーザーのポーズ中のテイクオーバー率が0.980で、Gemini Liveの0.310を大きく上回った。この指標は低いほうが良い。ユーザーがただポーズを置いているだけのときに発話権を取るのは割り込みだからだ(Linほか、Full-Duplex-Bench、ASRU 2025)。全二重モデルは無音の問題を解決したが、割り込みの問題を引き継いだ。
| 指標 | 値 | 出典 |
|---|---|---|
| Moshiの理論上 / 実際の応答遅延 | 160 ms / 200 ms | Défossezほか、Kyutai、2024 |
| Moshiの音声事前学習 / Fisher電話会話のファインチューニングデータ | 700万時間 / 2,000時間 | Défossezほか、Kyutai、2024 |
| Moshi論文で引用されている実際の会話における重複発話 | 発話時間の10%〜20% | Défossezほか、Kyutai、2024(CetinとShriberg 2006を引用) |
| 1分あたりの重複、実際のFisher会話対カスケード型対話システム | 3.6秒 対 0.0秒 | Nguyenほか、dGSLM、2022 |
| 1分あたりの話者間ギャップ、実際のFisher会話対カスケード型システム | 7.5 対 14.9 | Nguyenほか、dGSLM、2022 |
| 累積ギャップ / 重複、サンプリング温度1.0のMoshi対実際の会話(同じdGSLMプロトコル) | 4.5秒 / 4.1秒 対 4.2秒 / 3.3秒 | Défossezほか、Kyutai、2024 |
| 会話時間のうち無音のギャップに費やされた割合、Moshi対カスケード型システム(ユーザー調査) | 11.8% 対 32.4% | Aroraほか、Talking Turns、ICLR 2025 |
| ユーザーのポーズ中のテイクオーバー率、Candorセット(低いほうが良い):Moshi / dGSLM / Gemini Live | 0.980 / 0.935 / 0.310 | Linほか、Full-Duplex-Bench、2025 |
文脈メモ:Moshiのターン統計はサンプリング温度によって大きく変動する。温度0.8では累積の重複は1.2秒に低下し、ギャップは12.5秒に増加したため、「Moshiの重複」という1つの数値はどちらの形でも引用されうる。dGSLMについて入手可能な最新データは2022年のものだ。
数字で見る会話型AIのターン終了検出とバージイン(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| スムーズなターン交替での聞き手の開始タイミング(ターン終了より前) | 中央値151ms早い | TurnBench、IEEE SLT 2026 |
| 200msより速いターン交替 | 51%〜55% | HeldnerとEdlund 2010、Frontiers in Psychology 2015経由 |
| 応答が質問に答えていない場合の応答遅延 | +131.78 ms | Stiversほか、PNAS 2009 |
| コーダーが適時と判断した応答の平均オフセット、日本語とデンマーク語 | 36 ms 対 203 ms | Stiversほか、PNAS 2009 |
| Amazon Lex V2が発話終了前に既定で待つ無音時間 | 600 ms | AWS Lex V2ドキュメント |
| Googleのエンドポイント遅延の中央値、別モデル対統合モデル | 390 ms 対 270 ms | Bijwadiaほか、Google、SLT 2022 |
| ユーザーを遮ったロボットのターン、無音ベースのベースライン対予測モデル | 16.6% 対 6.9% | SkantzeとIrfan、KTH、2025 |
| ロボットの応答時間の中央値、無音ベースのベースライン対予測モデル | 2.7秒 対 1.5秒 | SkantzeとIrfan、KTH、2025 |
| 真のターン終了を予測する適合率、音響検出器対エンドツーエンドモデル | 67.3% 対 84.7% | Changほか、Google、Interspeech 2022 |
| VAPの精度、英語で学習したモデルの日本語対日本語で学習したモデル | 59.43% 対 74.20% | Inoueほか、LREC-COLING 2024 |
| GPT-4o RealtimeとNova Sonic、ユーザーの割り込み後に止まるまでの時間 | 0.23秒 対 2.25秒 | Full-Duplex-Bench v1.5、2025 |
| ユーザーが発話権を得て終わる割り込み、Moshi対人間の話者 | 17.4% 対 63.6% | Aroraほか、ICLR 2025 |
| Moshiの理論上 / 実際の遅延 | 160 ms / 200 ms | Kyutai、2024 |
| 1分あたりの重複、実際のFisher通話対カスケード型システム | 3.6秒 対 0.0秒 | Nguyenほか、dGSLM、2022 |
| 会話に占める無音ギャップの割合、Moshi対カスケード型システム | 11.8% 対 32.4% | Aroraほか、ICLR 2025 |
| ユーザーのポーズ中のMoshiのテイクオーバー率、Candorセット | 0.980 | Full-Duplex-Bench、2025 |
方法論と出典
- Jiangほか、TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue、IEEE SLT 2026と、稼働中のTurnBenchリーダーボード:人間のタイミング統計と、システムの再現率、偽陽性率、遅延。
- Stiversほか、Universals and cultural variation in turn-taking in conversation、PNAS 2009:10言語、101の会話、はい/いいえ質問。
- LevinsonとTorreira、Timing in turn-taking and its implications for processing models of language、Frontiers in Psychology 2015:Switchboardの分析と、HeldnerとEdlund(Journal of Phonetics 2010)のレビュー。
- AWS、Configuring timeouts for capturing user input with a Lex V2 bot:無音、開始、バージインの既定設定。
- Bijwadiaほか、Google、Unified End-to-End Speech Recognition and Endpointing for Fast and Efficient Speech Systems、SLT 2022。
- Changほか、Google、Turn-Taking Prediction for Natural Conversational Speech、Interspeech 2022。
- Rajuほか、Amazon、Two-Pass Endpoint Detection for Speech Recognition、2024。
- SkantzeとIrfan、KTH、Applying General Turn-taking Models to Conversational Human-Robot Interaction、2025。
- EkstedtとSkantze、TurnGPT、Findings of EMNLP 2020。
- Inoueほか、Multilingual Turn-taking Prediction Using Voice Activity Projection、LREC-COLING 2024とInoueほか、Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection、IWSDS 2024。
- Linほか、Full-Duplex-Bench、ASRU 2025とLinほか、Full-Duplex-Bench v1.5、2025(バージョン3、2026年1月28日)。
- Aroraほか、Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics、ICLR 2025。
- Défossezほか、Kyutai、Moshi: a speech-text foundation model for real-time dialogue、2024。
- Nguyenほか、Generative Spoken Dialogue Language Modeling (dGSLM)、2022、TACL 2023に掲載。
- LiveKit、Using a transformer to improve end of turn detection、2024年12月20日:ベンダーの主張であり、その旨を明記している。
- データウォッチ:Moshi論文は10言語で平均応答時間230msと記述しているが、PNAS研究は平均208msを報告しており、言語間の平均値は出典によって異なる。重複の発生頻度も方法によって異なる。LevinsonとTorreiraのSwitchboard分析では発話権移行の約30%、HeldnerとEdlundではターン交替の約40%だ。Googleの学会アブストラクトは中央値と90パーセンタイルの短縮を130ms(33.3%)と160ms(22.2%)としているが、ここで使ったarXivの表では120ms(30.8%)と170ms(23.0%)となっている。TurnBenchのリーダーボードは稼働中で外部提出を受け付けているため、順位は変動する。上記の数値は2026年10月31日に確認したもので、自己提出の外部エントリは除外した。そのうち9件は再現率でVoice Activity Projectionを上回っている。Full-Duplex-Bench v1.5の数値はarXivのバージョン3によるものだ。コンタクトセンターでのバージインの頻度に関する公開された一次データは見つからなかった。
最終更新日:2026年10月31日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、IEEE SLT 2026の論文集でTurnBenchの最終版論文が公開される時期を予定している。