Em 30 horas de conversas entre duas pessoas anotadas à mão, os ouvintes começaram a falar, em mediana, 151 ms antes de o turno atual terminar, enquanto o Amazon Lex V2, por padrão, espera 600 ms de silêncio depois que o interlocutor para de falar antes de decidir que o enunciado está completo. Essa diferença é o problema inteiro da detecção de fim de turno: as pessoas preveem o fim de um turno, a maioria das máquinas espera o silêncio. Esperar tem um custo mensurável nas duas direções. Um robô que usava detecção de fim de turno baseada em silêncio interrompeu seus usuários em 16,6% dos turnos e ainda assim respondeu com um atraso mediano de 2,7 s, e quando os usuários falaram por cima de modelos de voz comerciais, o tempo que esses modelos levaram para parar de falar variou de 0,23 s a 2,25 s. Este levantamento foca na decisão de turno em si; para o atraso do pipeline completo, do microfone até o primeiro áudio, veja nossas estatísticas de latência de agentes de voz com IA. Reunimos dados do benchmark TurnBench, do estudo de alternância de turnos do Max Planck publicado na PNAS, de artigos de endpointing da Amazon Science e do Google Research, do artigo do Moshi da Kyutai, dos benchmarks Full-Duplex-Bench e Talking Turns e de pesquisas revisadas por pares sobre Voice Activity Projection.
TL;DR
- Os ouvintes começam a falar, em mediana, 151 ms antes do fim do turno da outra pessoa em transições suaves (TurnBench, IEEE SLT 2026)
- De 51% a 55% das transições de turno em três corpora de conversação levam menos de 200 ms (Heldner e Edlund 2010, revisado na Frontiers in Psychology 2015)
- O Amazon Lex V2 espera por padrão 600 ms de silêncio antes de tratar um enunciado falado como concluído (documentação do AWS Lex V2)
- O reconhecimento de fala conjunto com endpointing reduziu a latência mediana de endpoint do Google de 390 ms para 270 ms (Bijwadia et al., Google, SLT 2022)
- Uma linha de base de robô baseada em silêncio interrompeu os usuários em 16,6% dos turnos do sistema, contra 6,9% de um modelo preditivo (Skantze e Irfan, KTH, 2025)
- Um modelo de alternância de turnos treinado em inglês caiu para 59,43% de acurácia balanceada em conversas em japonês (Inoue et al., LREC-COLING 2024)
- Quando os usuários interromperam, o GPT-4o Realtime parou de falar em 0,23 s e o Nova Sonic em 2,25 s (Full-Duplex-Bench v1.5, 2025)
- Apenas 17,4% das interrupções do usuário terminaram com o usuário tomando a palavra do Moshi, contra 63,6% em conversas humanas (Arora et al., ICLR 2025)
- O design full-duplex do Moshi tem latência teórica de 160 ms e de 200 ms na prática (Kyutai, artigo do Moshi 2024)
- Um pipeline de diálogo em cascata produziu 0,0 s de fala sobreposta por minuto, contra 3,6 s em ligações telefônicas reais do Fisher (Nguyen et al., Generative Spoken Dialogue Language Modeling 2022)
1. A Referência Humana: os Turnos Se Sobrepõem Mais do que Esperam
A imagem padrão da conversa, uma pessoa fala, para, a outra responde, está errada de um jeito que importa para software. No TurnBench, um benchmark de 2026 construído a partir de 30 horas de conversas diádicas (entre duas pessoas) anotadas à mão, os ouvintes começaram a falar, em mediana, 151 ms antes de o turno atual terminar, e, quando as interrupções em que o ouvinte toma a palavra são incluídas, o deslocamento mediano chega a 281 ms antes do fim (TurnBench, Jiang et al., IEEE SLT 2026). Uma “transferência da vez de falar” aqui significa apenas o momento em que o direito de falar passa de uma pessoa para a outra. Um detector que espera o silêncio chega atrasado por construção, antes mesmo de qualquer processamento começar.
O tempo também carrega significado. O estudo da PNAS com 10 idiomas constatou que as respostas que não respondem à pergunta (por exemplo, “não sei”) chegam 131,78 ms mais tarde do que as respostas de fato, e que as confirmações chegam 206,87 ms antes das desconfirmações no modelo multivariado (Stivers et al., PNAS 2009). Os humanos ouvem esses atrasos como sinais. Um agente de voz que sempre espera o mesmo silêncio fixo antes de responder envia um sinal que não pretende enviar.
| Métrica | Valor | Fonte |
|---|---|---|
| Deslocamento mediano quando o ouvinte começa a falar, transições suaves (negativo = antes do fim do turno) | -151 ms | TurnBench, Jiang et al., IEEE SLT 2026 |
| Deslocamento de resposta mais comum (modal) após uma pergunta de sim ou não, 10 idiomas combinados | 0 ms (modas por idioma de 0 a +200 ms) | Stivers et al., PNAS 2009 |
| Atraso extra quando a resposta não responde à pergunta, modelo multivariado | +131,78 ms (IC de 95%: 59,34 a 204,23) | Stivers et al., PNAS 2009 |
| Diferença de atraso entre confirmações e desconfirmações, modelo multivariado | -206,87 ms (IC de 95%: -268,61 a -145,12) | Stivers et al., PNAS 2009 |
| Deslocamento médio de resposta entre as respostas que os anotadores julgaram pontuais, japonês vs dinamarquês | 36 ms vs 203 ms | Stivers et al., PNAS 2009 |
| Parcela das transições de turno mais rápidas que 200 ms, três corpora | 51% a 55% | Heldner e Edlund 2010, revisado em Levinson e Torreira, Frontiers in Psychology 2015 |
| Parcela do sinal do Switchboard em que os dois falantes falam ao mesmo tempo | 3,8% | Levinson e Torreira, Frontiers in Psychology 2015 |
Nota de contexto: o quadro da sobreposição depende de como ela é medida. A fala sobreposta cobre apenas 3,8% do áudio do Switchboard, mas Heldner e Edlund encontraram sobreposições em cerca de 40% das transições, porque a maioria das sobreposições é curta (Levinson e Torreira, Frontiers in Psychology 2015). Dados mais recentes disponíveis para os números entre idiomas: Stivers et al., 2009, e Heldner e Edlund, 2010. O ritmo dos turnos humanos muda devagar, então a idade desses estudos importa menos do que para benchmarks de produtos.
2. Quanto as Máquinas Esperam: Tempos Limites de Silêncio e Latência de Endpoint
A maioria dos sistemas em produção ainda decide que um turno terminou com um temporizador. O Amazon Lex V2 espera por padrão 600 ms de silêncio depois que o interlocutor para de falar antes de tratar o enunciado como concluído, espera 4.000 ms para o interlocutor começar a falar e trunca qualquer enunciado único em 55.000 ms (AWS, Configuring timeouts for capturing user input with a Lex V2 bot). Artigos de pesquisa descrevem configurações ainda mais longas: os autores do Voice Activity Projection afirmam que os sistemas de diálogo falado costumam usar um tempo limite de silêncio de cerca de 1 ou 2 segundos.
A fronteira da pesquisa é tirar milissegundos do momento em que o sistema se compromete. O modelo conjunto do Google, que compartilha camadas entre o reconhecimento de fala e o detector de fim de fala (o componente que decide que o usuário terminou), reduziu a latência mediana de endpoint de 390 ms para 270 ms e a latência do percentil 90 de 740 ms para 570 ms, mantendo a taxa de erro de palavras em 5,8% (Bijwadia et al., Google, Unified End-to-End Speech Recognition and Endpointing, SLT 2022). Decisões mais rápidas só ajudam se a transcrição estiver correta, tema tratado em nossas estatísticas de alucinação no reconhecimento de fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Espera padrão de silêncio depois que o interlocutor para de falar, Amazon Lex V2 | 600 ms | Documentação do AWS Lex V2 |
| Atraso padrão de silêncio antes do fim de turno apenas por VAD, LiveKit Agents (padrão do fornecedor) | 500 ms | Blog da LiveKit, 20 de dezembro de 2024 (configuração do próprio fornecedor) |
| Tempo limite de silêncio habitual em sistemas de diálogo falado | Cerca de 1 ou 2 segundos | Inoue et al., Kyoto University, IWSDS 2024 |
| Latência de endpoint mediana / do percentil 90, modelos separados de reconhecimento e endpointing (busca por voz do Google, cerca de 14.000 enunciados) | 390 ms / 740 ms | Bijwadia et al., Google, SLT 2022 |
| Latência de endpoint mediana / do percentil 90, modelo conjunto | 270 ms / 570 ms (120 ms e 170 ms a menos, 30,8% e 23,0%) | Bijwadia et al., Google, SLT 2022 |
| Latência de endpoint nos percentis 50 / 90 / 99, linha de base da Alexa em consultas transacionais | 300 / 570 / 1.110 ms | Raju et al., Amazon, Two-Pass Endpoint Detection 2024 |
Nota de contexto: a dispersão entre percentis é o ponto central. Uma mediana de 300 ms parece próxima do ritmo humano, mas o 1% mais lento das consultas transacionais da Alexa esperou 1.110 ms ou mais só pela decisão de endpoint, antes de qualquer resposta ser gerada (Raju et al., Amazon, Two-Pass Endpoint Detection for Speech Recognition, 2024). Dados mais recentes disponíveis para os números do Google: 2022.
3. Cortes Indevidos vs Respostas Tardias: o Dilema da Detecção de Fim de Fala
Todo detector de fim de fala troca duas falhas entre si: cortar o usuário no meio do raciocínio (um corte indevido) ou deixar um silêncio morto depois que o usuário terminou. A medição mais direta que encontramos vem de um estudo com 39 participantes e uma cabeça robótica Furhat. Com a linha de base padrão, baseada em silêncio, o robô interrompeu os usuários em 16,6% dos seus turnos e ainda teve um tempo de resposta mediano de 2,7 s; um modelo preditivo que combina TurnGPT e Voice Activity Projection reduziu as interrupções para 6,9% e a resposta mediana para 1,5 s, ambas as diferenças com p < 0,001 (Skantze e Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025). O design baseado em silêncio perdeu nos dois eixos ao mesmo tempo.
Corrigir um lado costuma custar o outro. O “árbitro” de segunda passada da Amazon, que reconfere o primeiro detector antes de fechar o microfone, reduziu o fim de fala prematuro (parar antes de o usuário terminar) em 16,34% nas consultas transacionais, mas elevou a latência do percentil 99 de 1.110 ms para 1.320 ms. Os detectores mais rudimentares falham na direção oposta: gatilhos simples de nível sonoro dispararam em mais da metade dos momentos em que o turno não tinha de fato terminado (veja a linha de falsos positivos abaixo). Esses gatilhos reagem ao som, não ao sentido, então o áudio que chega até eles importa, o que se liga às nossas estatísticas de supressão neural de ruído.
| Métrica | Valor | Fonte |
|---|---|---|
| Turnos do sistema que interromperam o usuário, linha de base baseada em silêncio vs modelo TurnGPT mais VAP | 16,6% vs 6,9% | Skantze e Irfan, KTH, 2025 |
| Tempo de resposta mediano do sistema, linha de base baseada em silêncio vs modelo TurnGPT mais VAP | 2,7 s vs 1,5 s | Skantze e Irfan, KTH, 2025 |
| Participantes que preferiram a linha de base baseada em silêncio / sem preferência | 9 de 39 / 3 de 39 | Skantze e Irfan, KTH, 2025 |
| Enunciados em que o detector de fim de fala parou de ouvir cedo demais, benchmark SLURP, linha de base vs com árbitro | 2,39% vs 2,19% (redução relativa de 8,37%) | Raju et al., Amazon, 2024 |
| Redução relativa do fim de fala prematuro em consultas transacionais / latência do percentil 99 antes vs depois | 16,34% / 1.110 ms vs 1.320 ms | Raju et al., Amazon, 2024 |
| Precisão ao prever um fim de turno verdadeiro, detector acústico vs modelo de ponta a ponta (recall de 97,3% vs 97,5%) | 67,3% vs 84,7% | Chang et al., Google, Interspeech 2022 |
| Taxa de falsos positivos no TurnBench, detector simples de energia vs VAD de servidor do OpenAI Realtime | 0,632 vs 0,525 | Ranking do TurnBench, consultado em 31 de outubro de 2026 |
| Redução de interrupções involuntárias, detector de turno com transformer mais VAD vs apenas VAD | 85% | Blog da LiveKit, 20 de dezembro de 2024 (afirmação do próprio fornecedor, sem conjunto de teste divulgado) |
Nota de contexto: a linha de base do robô dependia de um detector de fim de fala do Google não documentado, que os autores inferem ser baseado em limiar, e eles citam um limiar de 1 s, então leia-o como um sistema baseado em silêncio, não como uma configuração precisa de temporizador. O estudo de fim de turno do Google usou fala de teste com disfluências (pausas aleatórias, pausas preenchidas como “hum”, palavras alongadas e frases repetidas), os casos em que o artigo diz que um detector de fim de fala convencional corta o usuário (Chang et al., Google, Turn-Taking Prediction for Natural Conversational Speech, Interspeech 2022). Seu conjunto de teste de conversa natural tem apenas 200 enunciados de 10 falantes, então trate os números de precisão como indicativos.
4. Prevendo o Fim de um Turno: VAP, TurnGPT e o Ranking
Os modelos preditivos escutam como a frase está evoluindo, não apenas se a sala ficou em silêncio. O TurnGPT, um modelo de texto, atingiu 0,823 de acurácia balanceada em diálogo falado espontâneo, contra 0,748 de uma linha de base LSTM (Ekstedt e Skantze, TurnGPT, Findings of EMNLP 2020). A acurácia balanceada faz a média do desempenho em “trocas de turno” e “manutenções de turno”, então 0,5 é o acaso. O Voice Activity Projection (VAP) trabalha sobre o próprio áudio e prevê quem vai falar nos próximos 2 segundos.
O idioma é a variável oculta. Um modelo VAP treinado em inglês caiu para 59,43% de acurácia balanceada em japonês, contra 74,20% de um modelo treinado em japonês, e as trocas de turno representaram 42,9% dos momentos de troca ou manutenção nos dados em japonês, contra 9,9% em inglês (Inoue et al., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024). Um detector de turno ajustado com ligações em inglês não é um componente neutro em um produto multilíngue.
| Métrica | Valor | Fonte |
|---|---|---|
| Acurácia balanceada ao prever trocas de turno em diálogo falado espontâneo, TurnGPT vs linha de base LSTM | 0,823 vs 0,748 | Ekstedt e Skantze, KTH, Findings of EMNLP 2020 |
| Acurácia balanceada do VAP em troca vs manutenção, treinado e testado no mesmo idioma: inglês / mandarim / japonês | 79,59% / 84,49% / 74,20% | Inoue et al., Kyoto University, LREC-COLING 2024 |
| VAP treinado em inglês, testado em japonês | 59,43% | Inoue et al., Kyoto University, LREC-COLING 2024 |
| Parcela dos eventos de troca ou manutenção que são trocas de turno, dados de teste em inglês vs japonês | 9,9% vs 42,9% | Inoue et al., Kyoto University, LREC-COLING 2024 |
| VAP em uma CPU, 1 s vs 20 s de contexto de áudio, dados em japonês: fator de tempo real (abaixo de 1 = mais rápido que o tempo real) | 0,73 vs 13,69 | Inoue et al., Kyoto University, IWSDS 2024 |
| Voice Activity Projection no TurnBench: recall / taxa de falsos positivos / latência | 0,845 / 0,055 / 368 ms | Ranking do TurnBench, consultado em 31 de outubro de 2026 |
| Smart Turn v3 vs Kyutai Semantic VAD no TurnBench: recall / taxa de falsos positivos / latência | 0,752 / 0,047 / 1.017 ms vs 0,773 / 0,059 / 1.007 ms | Ranking do TurnBench, consultado em 31 de outubro de 2026 |
| Gemini 3.1 Live vs OpenAI Realtime com VAD semântico no TurnBench: recall / taxa de falsos positivos / latência | 0,657 / 0,022 / 1.234 ms vs 0,303 / 0,018 / 793 ms | Ranking do TurnBench, consultado em 31 de outubro de 2026 |
Nota de contexto: as parcelas de trocas vêm de corpora diferentes (ligações telefônicas do Switchboard vs uma tarefa de agência de viagens em japonês), então a diferença reflete a tarefa tanto quanto o idioma. O resultado em tempo real importa para a implantação: com 1 segundo de contexto, o VAP rodou a 14,61 ms por quadro em uma CPU Intel Xeon e atingiu 76,16% de acurácia balanceada, ligeiramente acima dos 74,20% medidos com 20 segundos de contexto (Inoue et al., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024). O ranking do TurnBench desqualifica sistemas com taxa de falsos positivos acima de 0,15, e os dois sistemas mais cautelosos da tabela mantêm os alarmes falsos no nível mais baixo, mas deixam passar o maior número de fins de turno reais. Dados mais recentes disponíveis para o TurnGPT: 2020.
5. Barge-In: o Que Acontece Quando o Usuário Fala por Cima do Agente
O barge-in é o problema inverso: o agente está falando e o usuário começa a falar. Parar rápido é só metade do trabalho. No Full-Duplex-Bench v1.5, o GPT-4o Realtime parou de falar 0,23 s depois de uma interrupção do usuário e tratou o que o usuário disse em 78% das vezes, enquanto o Nova Sonic levou 2,25 s para parar e ignorou a interrupção para continuar a resposta anterior em 71% das vezes (Lin et al., Full-Duplex-Bench v1.5, arXiv 2025). As equipes de central de atendimento que avaliam esses modelos, tema de nossas estatísticas de automação de central de atendimento com agentes de voz, estão escolhendo entre dois comportamentos muito diferentes.
O erro oposto é ceder a um sinal de acompanhamento (backchannel), o curto “aham” ou “certo” que o ouvinte diz para mostrar que está acompanhando. O GPT-4o Realtime parou em 0,21 s até nesses sinais, o que os autores interpretam como parada excessivamente ansiosa. Ceder instantaneamente também não é a norma humana: uma pessoa interrompida continua falando, em mediana, por 1,48 s antes de ceder a palavra, então o menor tempo de parada não é automaticamente a meta certa. O Moshi está na ponta oposta dessa escala, com apenas 17,4% das interrupções do usuário terminando com o usuário tomando a palavra.
| Métrica | Valor | Fonte |
|---|---|---|
| Usuário interrompe o agente, GPT-4o Realtime: taxa de tratar o que o usuário disse / taxa de continuar a resposta anterior / tempo para parar de falar | 0,78 / 0,10 / 0,23 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| Usuário interrompe o agente, endpoint do Gemini 2.0 Flash Live: taxa de tratar o que o usuário disse / taxa de continuar a resposta anterior / tempo para parar de falar | 0,33 / 0,55 / 2,20 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| Usuário interrompe o agente, Nova Sonic: taxa de tratar o que o usuário disse / taxa de continuar a resposta anterior / tempo para parar de falar | 0,24 / 0,71 / 2,25 s | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| Usuário apenas faz sinais de acompanhamento (“aham”): tempo para parar do GPT-4o Realtime vs taxa de continuar a resposta anterior do Nova Sonic | 0,21 s vs 0,98 | Lin et al., Full-Duplex-Bench v1.5, 2025 |
| Interrupções do usuário que terminam com o usuário tomando a palavra, conforme quem foi interrompido: Moshi / sistema em cascata / falante humano | 17,4% / 59,4% / 63,6% | Arora et al., Talking Turns, ICLR 2025 |
| Decisões do Moshi que foram interrupções falso-positivas do usuário | 2,09% de todas as decisões | Arora et al., Talking Turns, ICLR 2025 |
| Tempo mediano que um humano interrompido continua falando antes de ceder a palavra | 1,48 s | TurnBench, Jiang et al., IEEE SLT 2026 |
| Barge-in (permitir interrupção) padrão para prompts do Amazon Lex V2 | Ativado (true) | Documentação do AWS Lex V2 |
Nota de contexto: o estudo com usuários do Talking Turns coletou cerca de 4 horas de conversa entre humanos e IA por sistema com 11 participantes, e as interrupções do usuário representaram apenas 0,2% (Moshi) e 0,1% (em cascata) das instâncias avaliadas, então esses percentuais se apoiam em contagens pequenas, o do sistema em cascata em especial (Arora et al., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, ICLR 2025). O Full-Duplex-Bench v1.5 usa 200 interrupções sintetizadas, não interlocutores reais. Não encontramos nenhum conjunto de dados primário público sobre a frequência com que interlocutores de centrais de atendimento interrompem agentes de voz em produção.
6. Modelos Full-Duplex: Ouvir e Falar ao Mesmo Tempo
Os modelos full-duplex abandonam por completo a decisão de turno: eles ouvem e falam em fluxos de áudio paralelos, então sobreposição e sinais de acompanhamento podem acontecer naturalmente. O Moshi, da Kyutai, relata uma latência teórica de 160 ms e de 200 ms na prática, e seus autores observam que a fala sobreposta representa de 10% a 20% do tempo falado em conversas reais (Défossez et al., Kyutai, Moshi: a speech-text foundation model for real-time dialogue, 2024). A linha de base em cascata na avaliação do dGSLM não produziu nada disso, com zero pausas e zero sobreposição por minuto de diálogo gerado (Nguyen et al., Generative Spoken Dialogue Language Modeling, 2022).
A velocidade ainda não virou discernimento. No Full-Duplex-Bench, o Moshi obteve uma taxa de tomada de turno de 0,980 durante pausas do usuário no conjunto Candor, contra 0,310 do Gemini Live; nessa medida, quanto menor, melhor, porque tomar a palavra enquanto o usuário apenas faz uma pausa é um corte indevido (Lin et al., Full-Duplex-Bench, ASRU 2025). Os modelos full-duplex resolveram o problema do silêncio e herdaram o problema da interrupção.
| Métrica | Valor | Fonte |
|---|---|---|
| Latência de resposta teórica / prática do Moshi | 160 ms / 200 ms | Défossez et al., Kyutai, 2024 |
| Dados de pré-treinamento de áudio do Moshi / de ajuste fino com conversas telefônicas do Fisher | 7 milhões de horas / 2.000 horas | Défossez et al., Kyutai, 2024 |
| Fala sobreposta em conversas reais, conforme citado no artigo do Moshi | 10% a 20% do tempo falado | Défossez et al., Kyutai, 2024 (citando Cetin e Shriberg 2006) |
| Sobreposição por minuto, conversas reais do Fisher vs sistema de diálogo em cascata | 3,6 s vs 0,0 s | Nguyen et al., dGSLM, 2022 |
| Pausas entre falantes por minuto, conversas reais do Fisher vs sistema em cascata | 7,5 vs 14,9 | Nguyen et al., dGSLM, 2022 |
| Pausa / sobreposição acumuladas, Moshi com temperatura de amostragem 1,0 vs conversas reais (mesmo protocolo do dGSLM) | 4,5 s / 4,1 s vs 4,2 s / 3,3 s | Défossez et al., Kyutai, 2024 |
| Parcela do tempo de conversa em pausas de silêncio, Moshi vs sistema em cascata (estudo com usuários) | 11,8% vs 32,4% | Arora et al., Talking Turns, ICLR 2025 |
| Taxa de tomada de turno durante pausas do usuário, conjunto Candor (menor é melhor): Moshi / dGSLM / Gemini Live | 0,980 / 0,935 / 0,310 | Lin et al., Full-Duplex-Bench, 2025 |
Nota de contexto: as estatísticas de turno do Moshi oscilam com a temperatura de amostragem. Com temperatura 0,8, sua sobreposição acumulada caiu para 1,2 s e as pausas subiram para 12,5 s, de modo que um único número de “sobreposição do Moshi” pode ser citado nos dois sentidos. Dados mais recentes disponíveis para o dGSLM: 2022.
Resumo: Detecção de Fim de Turno e Barge-In em IA Conversacional em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Momento em que o ouvinte começa a falar em transições suaves (antes do fim do turno) | Mediana de 151 ms antes | TurnBench, IEEE SLT 2026 |
| Transições de turno mais rápidas que 200 ms | 51% a 55% | Heldner e Edlund 2010, via Frontiers in Psychology 2015 |
| Atraso de resposta quando a réplica não responde à pergunta | +131,78 ms | Stivers et al., PNAS 2009 |
| Deslocamento médio das respostas que os anotadores julgaram pontuais, japonês vs dinamarquês | 36 ms vs 203 ms | Stivers et al., PNAS 2009 |
| Espera padrão de silêncio do Amazon Lex V2 antes de encerrar o enunciado | 600 ms | Documentação do AWS Lex V2 |
| Latência de endpoint mediana do Google, modelo separado vs conjunto | 390 ms vs 270 ms | Bijwadia et al., Google, SLT 2022 |
| Turnos do robô que interromperam o usuário, linha de base baseada em silêncio vs modelo preditivo | 16,6% vs 6,9% | Skantze e Irfan, KTH, 2025 |
| Tempo de resposta mediano do robô, linha de base baseada em silêncio vs modelo preditivo | 2,7 s vs 1,5 s | Skantze e Irfan, KTH, 2025 |
| Precisão ao prever um fim de turno verdadeiro, detector acústico vs modelo de ponta a ponta | 67,3% vs 84,7% | Chang et al., Google, Interspeech 2022 |
| Acurácia do VAP, modelo treinado em inglês em japonês vs treinado em japonês | 59,43% vs 74,20% | Inoue et al., LREC-COLING 2024 |
| GPT-4o Realtime vs Nova Sonic, tempo para parar após a interrupção do usuário | 0,23 s vs 2,25 s | Full-Duplex-Bench v1.5, 2025 |
| Interrupções do usuário que terminam com o usuário tomando a palavra, Moshi vs falante humano | 17,4% vs 63,6% | Arora et al., ICLR 2025 |
| Latência teórica / prática do Moshi | 160 ms / 200 ms | Kyutai, 2024 |
| Sobreposição por minuto, ligações reais do Fisher vs sistema em cascata | 3,6 s vs 0,0 s | Nguyen et al., dGSLM, 2022 |
| Parcela de pausas de silêncio na conversa, Moshi vs sistema em cascata | 11,8% vs 32,4% | Arora et al., ICLR 2025 |
| Taxa de tomada de turno do Moshi durante pausas do usuário, conjunto Candor | 0,980 | Full-Duplex-Bench, 2025 |
Metodologia e Fontes
- Jiang et al., TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue, IEEE SLT 2026 e o ranking do TurnBench ao vivo: estatísticas de tempo humano e recall, taxa de falsos positivos e latência dos sistemas.
- Stivers et al., Universals and cultural variation in turn-taking in conversation, PNAS 2009: 10 idiomas, 101 conversas, perguntas polares (de sim ou não).
- Levinson e Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015: análise do Switchboard e revisão de Heldner e Edlund (Journal of Phonetics 2010).
- AWS, Configuring timeouts for capturing user input with a Lex V2 bot: configurações padrão de silêncio, de início e 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 e Skantze, TurnGPT, Findings of EMNLP 2020.
- Inoue et al., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024 e Inoue et al., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024.
- Lin et al., Full-Duplex-Bench, ASRU 2025 e Lin et al., Full-Duplex-Bench v1.5, 2025 (versão 3, 28 de janeiro 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 na TACL 2023.
- LiveKit, Using a transformer to improve end of turn detection, 20 de dezembro de 2024: afirmações do fornecedor, identificadas como tal.
- Nota sobre os dados: o artigo do Moshi descreve um tempo médio de resposta de 230 ms em 10 idiomas, enquanto o estudo da PNAS relata uma média de 208 ms, então as médias entre idiomas diferem conforme a fonte. A prevalência de sobreposição também varia conforme o método: cerca de 30% das transferências de turno na análise do Switchboard de Levinson e Torreira contra cerca de 40% das transições em Heldner e Edlund. O resumo de conferência do Google lista reduções das latências mediana e do percentil 90 de 130 ms (33,3%) e 160 ms (22,2%), enquanto as tabelas do arXiv usadas aqui trazem 120 ms (30,8%) e 170 ms (23,0%). O ranking do TurnBench é ao vivo e aceita envios externos, então as posições vão mudar; os números acima foram lidos em 31 de outubro de 2026, e deixamos de fora as entradas externas autoenviadas, nove das quais ficam acima do Voice Activity Projection em recall. Os números do Full-Duplex-Bench v1.5 vêm da versão 3 do arXiv. Não encontramos dados públicos primários sobre a frequência de barge-in em centrais de atendimento.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando os anais do IEEE SLT 2026 publicarem o artigo final do TurnBench.