30 saatlik, elle etiketlenmiş ikili sohbette dinleyiciler, mevcut konuşma sırası bitmeden medyan 151 ms önce konuşmaya başladı; Amazon Lex V2 ise varsayılan olarak arayan kişi sustuktan sonra ifadenin tamamlandığına karar vermeden önce 600 ms sessizlik bekliyor. Sıra sonu tespitinin bütün sorunu bu aradaki fark: insanlar sıranın sonunu tahmin eder, çoğu makine ise sessizliği bekler. Beklemenin iki yönde de ölçülebilir bir maliyeti var. Sessizliğe dayalı sıra sonu tespiti kullanan bir robot, kendi sıralarının %16,6’sında kullanıcılarının sözünü kesti ve yine de medyan 2,7 s gecikmeyle yanıt verdi; kullanıcılar ticari ses modellerinin üzerine konuştuğunda ise bu modellerin susması için gereken süre 0,23 s ile 2,25 s arasında değişti. Bu derleme sıra kararının kendisine odaklanıyor; mikrofondan ilk sese kadar tüm hat gecikmesi için sesli yapay zeka ajanı gecikme istatistiklerimize bakın. Verileri TurnBench kıyaslamasından, Max Planck PNAS konuşma sırası çalışmasından, Amazon Science ve Google Research’ün endpointing makalelerinden, Kyutai’nin Moshi makalesinden, Full-Duplex-Bench ve Talking Turns kıyaslamalarından ve hakemli Voice Activity Projection araştırmalarından derledik.
TL;DR
- Dinleyiciler, sorunsuz devirlerde karşı tarafın sırası bitmeden medyan 151 ms önce konuşmaya başlıyor (TurnBench, IEEE SLT 2026)
- Üç sohbet derleminde sıra geçişlerinin %51 ile %55’i 200 ms’den kısa sürüyor (Heldner ve Edlund 2010, Frontiers in Psychology 2015’te incelendi)
- Amazon Lex V2, söylenen bir ifadeyi bitmiş saymadan önce varsayılan olarak 600 ms sessizlik bekliyor (AWS Lex V2 belgeleri)
- Ortak konuşma tanıma ve endpointing, Google’ın medyan endpoint gecikmesini 390 ms’den 270 ms’ye düşürdü (Bijwadia ve ark., Google, SLT 2022)
- Sessizliğe dayalı bir robot temel modeli, sistem sıralarının %16,6’sında kullanıcıyı kesti; öngörücü bir modelde bu oran %6,9 (Skantze ve Irfan, KTH, 2025)
- İngilizce ile eğitilmiş bir sıra alma modeli, Japonca sohbette %59,43 dengeli doğruluğa düştü (Inoue ve ark., LREC-COLING 2024)
- Kullanıcılar araya girdiğinde GPT-4o Realtime 0,23 s’de, Nova Sonic ise 2,25 s’de konuşmayı bıraktı (Full-Duplex-Bench v1.5, 2025)
- Kullanıcı kesintilerinin yalnızca %17,4’ü kullanıcının Moshi’den söz hakkını almasıyla sonuçlandı; insan sohbetinde bu oran %63,6 (Arora ve ark., ICLR 2025)
- Moshi’nin tam çift yönlü tasarımının kuramsal gecikmesi 160 ms, pratikte 200 ms (Kyutai, Moshi makalesi 2024)
- Kademeli bir diyalog hattı dakika başına 0,0 s çakışan konuşma üretti; gerçek Fisher telefon görüşmelerinde bu değer 3,6 s (Nguyen ve ark., Generative Spoken Dialogue Language Modeling 2022)
1. İnsan Referansı: Konuşma Sıraları Beklemekten Çok Çakışır
Konuşmanın standart resmi, yani birinin konuşup susması ve ardından diğerinin yanıtlaması, yazılım açısından önemli bir biçimde yanlış. 30 saatlik elle etiketlenmiş ikili (iki kişilik) sohbetten oluşturulan 2026 tarihli bir kıyaslama olan TurnBench’te dinleyiciler, mevcut sıra bitmeden medyan 151 ms önce konuşmaya başladı ve söz hakkını alan kesintiler de dahil edildiğinde medyan kayma, sıranın bitişinden 281 ms öncesine ulaşıyor (TurnBench, Jiang ve ark., IEEE SLT 2026). Buradaki “söz hakkı devri”, konuşma hakkının bir kişiden diğerine geçtiği an demektir. Sessizliği bekleyen bir tespit edici, herhangi bir işleme başlamadan önce tasarım gereği geç kalır.
Zamanlama da anlam taşır. PNAS’ın 10 dilli çalışması, soruyu yanıtlamayan yanıtların (örneğin “bilmiyorum”) gerçek yanıtlardan 131,78 ms daha geç geldiğini ve çok değişkenli modelde onayların ret yanıtlarından 206,87 ms daha erken geldiğini buldu (Stivers ve ark., PNAS 2009). İnsanlar bu gecikmeleri sinyal olarak algılar. Yanıt vermeden önce her zaman aynı sabit sessizliği bekleyen bir ses ajanı, istemediği bir sinyal gönderir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Dinleyicinin konuşmaya başladığı medyan kayma, sorunsuz devirler (negatif = sıra bitmeden önce) | -151 ms | TurnBench, Jiang ve ark., IEEE SLT 2026 |
| Evet/hayır sorusundan sonra en sık görülen (mod) yanıt kayması, 10 dil birleşik | 0 ms (dil başına modlar 0 ile +200 ms) | Stivers ve ark., PNAS 2009 |
| Yanıt soruyu yanıtlamadığında ek gecikme, çok değişkenli model | +131,78 ms (%95 GA 59,34 ile 204,23) | Stivers ve ark., PNAS 2009 |
| Onaylar ile ret yanıtları arasındaki gecikme farkı, çok değişkenli model | -206,87 ms (%95 GA -268,61 ile -145,12) | Stivers ve ark., PNAS 2009 |
| Etiketleyicilerin zamanında bulduğu yanıtlar arasında ortalama yanıt kayması, Japonca karşı Danimarkaca | 36 ms karşı 203 ms | Stivers ve ark., PNAS 2009 |
| 200 ms’den hızlı sıra geçişlerinin payı, üç derlem | %51 ile %55 | Heldner ve Edlund 2010, Levinson ve Torreira içinde incelendi, Frontiers in Psychology 2015 |
| Switchboard sinyalinde iki konuşmacının aynı anda konuştuğu pay | %3,8 | Levinson ve Torreira, Frontiers in Psychology 2015 |
Bağlam notu: çakışma tablosu nasıl ölçüldüğüne bağlı. Çakışan konuşma Switchboard sesinin yalnızca %3,8’ini kaplıyor, ancak Heldner ve Edlund geçişlerin yaklaşık %40’ında çakışma buldu, çünkü çakışmaların çoğu kısadır (Levinson ve Torreira, Frontiers in Psychology 2015). Diller arası rakamlar için mevcut en güncel veriler: Stivers ve ark., 2009 ve Heldner ve Edlund, 2010. İnsan konuşma sırası zamanlaması yavaş değişir, bu yüzden bu çalışmaların yaşı ürün kıyaslamalarına göre daha az önemlidir.
2. Makineler Ne Kadar Bekliyor: Sessizlik Zaman Aşımları ve Endpoint Gecikmesi
Üretimdeki çoğu sistem bir sıranın bittiğine hâlâ bir zamanlayıcıyla karar veriyor. Amazon Lex V2, arayan kişi konuşmayı bıraktıktan sonra ifadeyi bitmiş saymadan önce varsayılan olarak 600 ms sessizlik bekliyor, arayanın hiç başlaması için 4.000 ms bekliyor ve tek bir ifadeyi 55.000 ms’de kesiyor (AWS, Configuring timeouts for capturing user input with a Lex V2 bot). Araştırma makaleleri daha uzun ayarları anlatıyor: Voice Activity Projection yazarları, sesli diyalog sistemlerinin genellikle yaklaşık 1 ya da 2 saniyelik bir sessizlik zaman aşımı kullandığını söylüyor.
Araştırmanın sınırı, sistemin karar verdiği anı milisaniyelerle kısaltmak. Google’ın, konuşma tanıma ile endpointer (kullanıcının işini bitirdiğine karar veren bileşen) arasında katmanları paylaşan ortak modeli, medyan endpoint gecikmesini 390 ms’den 270 ms’ye ve 90. yüzdelik gecikmeyi 740 ms’den 570 ms’ye düşürdü; kelime hata oranı %5,8’de sabit kaldı (Bijwadia ve ark., Google, Unified End-to-End Speech Recognition and Endpointing, SLT 2022). Daha hızlı karar ancak transkript doğruysa işe yarar; bu konu konuşma tanıma halüsinasyonu istatistiklerimizde ele alınıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Arayan kişi konuşmayı bıraktıktan sonra varsayılan sessizlik bekleme süresi, Amazon Lex V2 | 600 ms | AWS Lex V2 belgeleri |
| Yalnızca VAD ile sıra sonundan önceki varsayılan sessizlik gecikmesi, LiveKit Agents (satıcı varsayılanı) | 500 ms | LiveKit blog, 20 Aralık 2024 (satıcının kendi ayarı) |
| Sesli diyalog sistemlerinde olağan sessizlik zaman aşımı | Yaklaşık 1 ya da 2 saniye | Inoue ve ark., Kyoto Üniversitesi, IWSDS 2024 |
| Medyan / 90. yüzdelik endpoint gecikmesi, ayrı tanıma ve endpointing modelleri (Google sesli arama, yaklaşık 14.000 ifade) | 390 ms / 740 ms | Bijwadia ve ark., Google, SLT 2022 |
| Medyan / 90. yüzdelik endpoint gecikmesi, ortak model | 270 ms / 570 ms (120 ms ve 170 ms daha düşük, %30,8 ve %23,0) | Bijwadia ve ark., Google, SLT 2022 |
| 50. / 90. / 99. yüzdelikte endpoint gecikmesi, işlemsel sorgularda Alexa temel modeli | 300 / 570 / 1.110 ms | Raju ve ark., Amazon, Two-Pass Endpoint Detection 2024 |
Bağlam notu: asıl mesele yüzdelikler arasındaki yayılım. 300 ms’lik bir medyan insan zamanlamasına yakın görünür, ancak Alexa işlemsel sorgularının en yavaş %1’i, daha yanıt üretilmeden yalnızca endpoint kararı için 1.110 ms ya da daha uzun bekledi (Raju ve ark., Amazon, Two-Pass Endpoint Detection for Speech Recognition, 2024). Google rakamları için mevcut en güncel veriler: 2022.
3. Araya Girme ve Geç Yanıt: Endpointing Ödünleşimi
Her endpointer iki hatayı birbirine karşı takas eder: kullanıcıyı düşüncesinin ortasında kesmek (yanlış kesme) ya da kullanıcı bitirdikten sonra ölü bir sessizlik bırakmak. Bulduğumuz en doğrudan ölçüm, Furhat robot kafasıyla yapılan 39 katılımcılı bir çalışmadan geliyor. Standart sessizliğe dayalı temel modelde robot, kendi sıralarının %16,6’sında kullanıcıların sözünü kesti ve yine de medyan yanıt süresi 2,7 s oldu; TurnGPT ile Voice Activity Projection’ı birleştiren öngörücü bir model kesintileri %6,9’a, medyan yanıtı 1,5 s’ye indirdi; her iki fark da p < 0,001 düzeyinde (Skantze ve Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025). Sessizliğe dayalı tasarım iki eksende birden kaybetti.
Bir tarafı düzeltmek genellikle diğerine mal oluyor. Amazon’un, mikrofonu kapatmadan önce ilk endpointer’ı çift kontrol eden ikinci geçiş “hakemi”, işlemsel sorgularda erken endpointing’i (kullanıcı bitirmeden durmayı) %16,34 azalttı, ancak 99. yüzdelik gecikmeyi 1.110 ms’den 1.320 ms’ye çıkardı. En kaba tespit ediciler ise ters yönde hata yapıyor: basit ses seviyesi tetikleyicileri, sıranın gerçekte bitmediği anların yarısından fazlasında devreye girdi (aşağıdaki yanlış pozitif satırına bakın). Bu tetikleyiciler anlama değil sese tepki verir; dolayısıyla onlara ulaşan ses önemlidir, bu da nöral gürültü bastırma istatistiklerimizle bağlantılı.
| Metrik | Değer | Kaynak |
|---|---|---|
| Kullanıcıyı kesen sistem sıraları, sessizliğe dayalı temel model karşı TurnGPT artı VAP modeli | %16,6 karşı %6,9 | Skantze ve Irfan, KTH, 2025 |
| Medyan sistem yanıt süresi, sessizliğe dayalı temel model karşı TurnGPT artı VAP modeli | 2,7 s karşı 1,5 s | Skantze ve Irfan, KTH, 2025 |
| Sessizliğe dayalı temel modeli tercih eden / tercihi olmayan katılımcılar | 39 katılımcıdan 9 / 39 katılımcıdan 3 | Skantze ve Irfan, KTH, 2025 |
| Endpointer’ın dinlemeyi çok erken bıraktığı ifadeler, SLURP kıyaslaması, temel model karşı hakemli | %2,39 karşı %2,19 (%8,37 göreli azalma) | Raju ve ark., Amazon, 2024 |
| İşlemsel sorgularda erken endpointing’deki göreli düşüş / 99. yüzdelik gecikme öncesi karşı sonrası | %16,34 / 1.110 ms karşı 1.320 ms | Raju ve ark., Amazon, 2024 |
| Gerçek bir sıra sonunu tahmin ederken kesinlik, akustik tespit edici karşı uçtan uca model (duyarlılık %97,3 karşı %97,5) | %67,3 karşı %84,7 | Chang ve ark., Google, Interspeech 2022 |
| TurnBench’te yanlış pozitif oranı, basit enerji tespit edicisi karşı OpenAI Realtime sunucu VAD’i | 0,632 karşı 0,525 | TurnBench liderlik tablosu, 31 Ekim 2026’da görüntülendi |
| Kasıtsız kesintilerdeki azalma, transformer sıra tespit edicisi artı VAD karşı yalnızca VAD | %85 | LiveKit blog, 20 Aralık 2024 (satıcının kendi iddiası, test kümesi açıklanmamış) |
Bağlam notu: robot temel modeli, yazarların eşik tabanlı olduğunu çıkardığı belgelenmemiş bir Google konuşma sonu tespit edicisine dayanıyordu ve 1 s’lik bir eşik anıyorlar; bu yüzden onu kesin bir zamanlayıcı ayarı olarak değil, sessizliğe dayalı bir sistem olarak okuyun. Google’ın sıra sonu çalışması, akıcı olmayan test konuşması (rastgele duraklamalar, “ııı” gibi dolgu duraklamaları, uzatılmış sözcükler ve tekrarlanan öbekler) kullandı; makale, geleneksel bir endpointer’ın kullanıcıyı bu durumlarda kestiğini söylüyor (Chang ve ark., Google, Turn-Taking Prediction for Natural Conversational Speech, Interspeech 2022). Doğal sohbet test kümesinde 10 konuşmacıdan yalnızca 200 ifade var, bu yüzden kesinlik rakamlarını yön gösterici olarak değerlendirin.
4. Sıranın Sonunu Öngörmek: VAP, TurnGPT ve Liderlik Tablosu
Öngörücü modeller yalnızca ortamın sessizleşip sessizleşmediğini değil, cümlenin nasıl ilerlediğini de dinler. Bir metin modeli olan TurnGPT, spontane sesli diyalogda 0,823 dengeli doğruluğa ulaştı; LSTM temel modelinde bu değer 0,748 idi (Ekstedt ve Skantze, TurnGPT, Findings of EMNLP 2020). Dengeli doğruluk, “sıra değişimleri” ve “sıranın korunması” üzerindeki performansın ortalamasını alır, dolayısıyla 0,5 şans düzeyidir. Voice Activity Projection (VAP) sesin kendisi üzerinde çalışır ve bir sonraki 2 saniyede kimin konuşacağını öngörür.
Gizli değişken dildir. İngilizce ile eğitilmiş bir VAP modeli Japoncada %59,43 dengeli doğruluğa düştü; Japonca ile eğitilmiş modelde bu oran %74,20 idi ve sıra değişimleri, Japonca verilerde değişim-veya-koruma anlarının %42,9’unu, İngilizcede ise %9,9’unu oluşturuyordu (Inoue ve ark., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024). İngilizce görüşmelerde ayarlanmış bir sıra tespit edicisi, çok dilli bir üründe tarafsız bir bileşen değildir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Spontane sesli diyalogda sıra değişimlerini tahmin eden dengeli doğruluk, TurnGPT karşı LSTM temel modeli | 0,823 karşı 0,748 | Ekstedt ve Skantze, KTH, Findings of EMNLP 2020 |
| VAP değişim-koruma dengeli doğruluğu, aynı dilde eğitilip test edilmiş: İngilizce / Mandarin / Japonca | %79,59 / %84,49 / %74,20 | Inoue ve ark., Kyoto Üniversitesi, LREC-COLING 2024 |
| İngilizce ile eğitilmiş, Japonca ile test edilmiş VAP | %59,43 | Inoue ve ark., Kyoto Üniversitesi, LREC-COLING 2024 |
| Değişim-veya-koruma olaylarından sıra değişimi olanların payı, İngilizce karşı Japonca test verileri | %9,9 karşı %42,9 | Inoue ve ark., Kyoto Üniversitesi, LREC-COLING 2024 |
| CPU üzerinde VAP, 1 s karşı 20 s ses bağlamı, Japonca veriler: gerçek zamanlı faktör (1’in altı = gerçek zamandan hızlı) | 0,73 karşı 13,69 | Inoue ve ark., Kyoto Üniversitesi, IWSDS 2024 |
| TurnBench’te Voice Activity Projection: duyarlılık / yanlış pozitif oranı / gecikme | 0,845 / 0,055 / 368 ms | TurnBench liderlik tablosu, 31 Ekim 2026’da görüntülendi |
| TurnBench’te Smart Turn v3 karşı Kyutai Semantic VAD: duyarlılık / yanlış pozitif oranı / gecikme | 0,752 / 0,047 / 1.017 ms karşı 0,773 / 0,059 / 1.007 ms | TurnBench liderlik tablosu, 31 Ekim 2026’da görüntülendi |
| TurnBench’te Gemini 3.1 Live karşı OpenAI Realtime semantik VAD: duyarlılık / yanlış pozitif oranı / gecikme | 0,657 / 0,022 / 1.234 ms karşı 0,303 / 0,018 / 793 ms | TurnBench liderlik tablosu, 31 Ekim 2026’da görüntülendi |
Bağlam notu: değişim payları farklı derlemlerden geliyor (Switchboard telefon görüşmeleri ve bir Japon seyahat acentesi görevi), bu yüzden fark dilin yanı sıra göreve de bağlı. Gerçek zamanlı sonuç dağıtım için önemli: 1 saniyelik bağlamla VAP, bir Intel Xeon CPU üzerinde kare başına 14,61 ms’de çalıştı ve %76,16 dengeli doğruluğa ulaştı; bu, 20 saniyelik bağlamla ölçülen %74,20’nin biraz üzerinde (Inoue ve ark., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024). TurnBench liderlik tablosu, yanlış pozitif oranı 0,15’in üzerindeki sistemleri diskalifiye ediyor ve tablodaki en temkinli iki sistem yanlış alarmı en düşük tutarken gerçek sıra sonlarının en çoğunu kaçırıyor. TurnGPT için mevcut en güncel veriler: 2020.
5. Barge-In: Kullanıcı Ajanın Üzerine Konuştuğunda Ne Olur
Barge-in (araya girme) ters problemdir: ajan konuşuyor ve kullanıcı konuşmaya başlıyor. Hızlı durmak işin yalnızca yarısı. Full-Duplex-Bench v1.5’te GPT-4o Realtime, kullanıcı kesintisinden 0,23 s sonra konuşmayı bıraktı ve zamanın %78’inde kullanıcının söylediğini ele aldı; Nova Sonic ise durması için 2,25 s aldı ve zamanın %71’inde kesintiyi görmezden gelip önceki yanıtına devam etti (Lin ve ark., Full-Duplex-Bench v1.5, arXiv 2025). Bu modelleri değerlendiren çağrı merkezi ekipleri, sesli ajanla çağrı merkezi otomasyonu istatistiklerimizde tartıştığımız gibi, birbirinden çok farklı iki davranış arasında seçim yapıyor.
Ters hata ise bir geri bildirim sesine (backchannel) yani dinleyicinin takip ettiğini göstermek için söylediği kısa “hı hı” ya da “doğru” gibi sözlere boyun eğmektir. GPT-4o Realtime bu işaretlerde bile 0,21 s içinde durdu; yazarlar bunu aşırı istekli durma olarak yorumluyor. Anında teslim olmak insan normu da değil: sözü kesilen bir kişi, söz hakkını bırakmadan önce medyan 1,48 s konuşmaya devam ediyor, dolayısıyla en düşük durma süresi kendiliğinden doğru hedef değildir. Moshi bu ölçeğin en uç noktasında yer alıyor; kullanıcı kesintilerinin yalnızca %17,4’ü kullanıcının söz hakkını almasıyla sonuçlanıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Kullanıcı ajanın sözünü keser, GPT-4o Realtime: kullanıcının söylediğini ele alma oranı / önceki yanıtına devam etme oranı / durma süresi | 0,78 / 0,10 / 0,23 s | Lin ve ark., Full-Duplex-Bench v1.5, 2025 |
| Kullanıcı ajanın sözünü keser, Gemini 2.0 Flash Live uç noktası: kullanıcının söylediğini ele alma oranı / önceki yanıtına devam etme oranı / durma süresi | 0,33 / 0,55 / 2,20 s | Lin ve ark., Full-Duplex-Bench v1.5, 2025 |
| Kullanıcı ajanın sözünü keser, Nova Sonic: kullanıcının söylediğini ele alma oranı / önceki yanıtına devam etme oranı / durma süresi | 0,24 / 0,71 / 2,25 s | Lin ve ark., Full-Duplex-Bench v1.5, 2025 |
| Kullanıcı yalnızca geri bildirim verir (“hı hı”): GPT-4o Realtime durma süresi karşı Nova Sonic önceki yanıtına devam etme oranı | 0,21 s karşı 0,98 | Lin ve ark., Full-Duplex-Bench v1.5, 2025 |
| Kullanıcı kesintilerinin söz hakkının kullanıcıda kalmasıyla bitmesi, kimin sözünün kesildiğine göre: Moshi / kademeli sistem / insan konuşmacı | %17,4 / %59,4 / %63,6 | Arora ve ark., Talking Turns, ICLR 2025 |
| Moshi kararlarından kullanıcıyı yanlış pozitif olarak kesenler | tüm kararların %2,09’u | Arora ve ark., Talking Turns, ICLR 2025 |
| Sözü kesilen bir insanın söz hakkını bırakmadan önce konuşmaya devam ettiği medyan süre | 1,48 s | TurnBench, Jiang ve ark., IEEE SLT 2026 |
| Amazon Lex V2 istemleri için barge-in (kesmeye izin ver) varsayılanı | Açık (true) | AWS Lex V2 belgeleri |
Bağlam notu: Talking Turns kullanıcı çalışması, 11 katılımcıyla sistem başına yaklaşık 4 saatlik insan-yapay zeka görüşmesi topladı ve kullanıcı kesintileri puanlanan örneklerin yalnızca %0,2’sini (Moshi) ve %0,1’ini (kademeli) oluşturdu; bu yüzden bu yüzdeler, özellikle kademeli olanı, küçük sayılara dayanıyor (Arora ve ark., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, ICLR 2025). Full-Duplex-Bench v1.5, canlı arayanlar değil 200 sentezlenmiş kesinti kullanıyor. Çağrı merkezi arayanlarının üretimdeki sesli ajanlara ne sıklıkla araya girdiğine dair herkese açık bir birincil veri kümesi bulamadık.
6. Tam Çift Yönlü Modeller: Aynı Anda Dinlemek ve Konuşmak
Tam çift yönlü modeller sıra kararını tamamen bırakır: paralel ses akışlarında dinler ve konuşurlar, böylece çakışma ve geri bildirim sesleri doğal biçimde olabilir. Kyutai’nin Moshi’si 160 ms kuramsal gecikme ve pratikte 200 ms bildiriyor ve yazarları, gerçek sohbette çakışan konuşmanın konuşma süresinin %10 ile %20’sini oluşturduğunu belirtiyor (Défossez ve ark., Kyutai, Moshi: a speech-text foundation model for real-time dialogue, 2024). dGSLM değerlendirmesindeki kademeli temel model bunların hiçbirini üretmedi; üretilen diyalogun dakikası başına sıfır duraklama ve sıfır çakışma vardı (Nguyen ve ark., Generative Spoken Dialogue Language Modeling, 2022).
Hız henüz muhakemeye dönüşmedi. Full-Duplex-Bench’te Moshi, Candor kümesinde kullanıcı duraklamaları sırasında 0,980 söz devralma oranı aldı; Gemini Live’da bu değer 0,310; bu ölçüt için düşük olan daha iyidir, çünkü kullanıcı yalnızca duraklarken söz hakkını almak bir araya girmedir (Lin ve ark., Full-Duplex-Bench, ASRU 2025). Tam çift yönlü modeller sessizlik sorununu çözdü ve kesinti sorununu miras aldı.
| Metrik | Değer | Kaynak |
|---|---|---|
| Moshi kuramsal / pratik yanıt gecikmesi | 160 ms / 200 ms | Défossez ve ark., Kyutai, 2024 |
| Moshi ses ön eğitimi / Fisher telefon görüşmesi ince ayar verisi | 7 milyon saat / 2.000 saat | Défossez ve ark., Kyutai, 2024 |
| Gerçek sohbette çakışan konuşma, Moshi makalesinde alıntılandığı şekliyle | konuşma süresinin %10 ile %20’si | Défossez ve ark., Kyutai, 2024 (Cetin ve Shriberg 2006’dan alıntı) |
| Dakika başına çakışma, gerçek Fisher görüşmeleri karşı kademeli diyalog sistemi | 3,6 s karşı 0,0 s | Nguyen ve ark., dGSLM, 2022 |
| Dakika başına konuşmacılar arası boşluk, gerçek Fisher görüşmeleri karşı kademeli sistem | 7,5 karşı 14,9 | Nguyen ve ark., dGSLM, 2022 |
| Kümülatif boşluk / çakışma, 1,0 örnekleme sıcaklığında Moshi karşı gerçek görüşmeler (aynı dGSLM protokolü) | 4,5 s / 4,1 s karşı 4,2 s / 3,3 s | Défossez ve ark., Kyutai, 2024 |
| Sohbet süresinin sessiz boşluklarda geçen payı, Moshi karşı kademeli sistem (kullanıcı çalışması) | %11,8 karşı %32,4 | Arora ve ark., Talking Turns, ICLR 2025 |
| Kullanıcı duraklamaları sırasında söz devralma oranı, Candor kümesi (düşük olan daha iyi): Moshi / dGSLM / Gemini Live | 0,980 / 0,935 / 0,310 | Lin ve ark., Full-Duplex-Bench, 2025 |
Bağlam notu: Moshi’nin sıra istatistikleri örnekleme sıcaklığıyla birlikte değişiyor. 0,8 sıcaklıkta kümülatif çakışması 1,2 s’ye düştü ve boşluklar 12,5 s’ye çıktı, dolayısıyla tek bir “Moshi çakışma” rakamı iki yönde de alıntılanabilir. dGSLM için mevcut en güncel veriler: 2022.
Özet: Diyalog Yapay Zekasında Sıra Sonu Tespiti ve Barge-In Rakamlarla
| Metrik | Değer | Kaynak |
|---|---|---|
| Sorunsuz devirlerde dinleyicinin konuşmaya başlama zamanı (sıra bitmeden önce) | Medyan 151 ms erken | TurnBench, IEEE SLT 2026 |
| 200 ms’den hızlı sıra geçişleri | %51 ile %55 | Heldner ve Edlund 2010, Frontiers in Psychology 2015 üzerinden |
| Yanıt soruyu yanıtlamadığında yanıt gecikmesi | +131,78 ms | Stivers ve ark., PNAS 2009 |
| Etiketleyicilerin zamanında bulduğu yanıtların ortalama kayması, Japonca karşı Danimarkaca | 36 ms karşı 203 ms | Stivers ve ark., PNAS 2009 |
| Amazon Lex V2 ifadeyi bitirmeden önceki varsayılan sessizlik bekleme süresi | 600 ms | AWS Lex V2 belgeleri |
| Google medyan endpoint gecikmesi, ayrı karşı ortak model | 390 ms karşı 270 ms | Bijwadia ve ark., Google, SLT 2022 |
| Kullanıcıyı kesen robot sıraları, sessizliğe dayalı temel model karşı öngörücü model | %16,6 karşı %6,9 | Skantze ve Irfan, KTH, 2025 |
| Medyan robot yanıt süresi, sessizliğe dayalı temel model karşı öngörücü model | 2,7 s karşı 1,5 s | Skantze ve Irfan, KTH, 2025 |
| Gerçek bir sıra sonunu tahmin ederken kesinlik, akustik tespit edici karşı uçtan uca model | %67,3 karşı %84,7 | Chang ve ark., Google, Interspeech 2022 |
| VAP doğruluğu, İngilizce ile eğitilmiş model Japoncada karşı Japonca ile eğitilmiş model | %59,43 karşı %74,20 | Inoue ve ark., LREC-COLING 2024 |
| GPT-4o Realtime karşı Nova Sonic, kullanıcı kesintisinden sonra durma süresi | 0,23 s karşı 2,25 s | Full-Duplex-Bench v1.5, 2025 |
| Kullanıcının söz hakkını aldığı kullanıcı kesintileri, Moshi karşı insan konuşmacı | %17,4 karşı %63,6 | Arora ve ark., ICLR 2025 |
| Moshi kuramsal / pratik gecikme | 160 ms / 200 ms | Kyutai, 2024 |
| Dakika başına çakışma, gerçek Fisher görüşmeleri karşı kademeli sistem | 3,6 s karşı 0,0 s | Nguyen ve ark., dGSLM, 2022 |
| Sohbetin sessiz boşluk payı, Moshi karşı kademeli sistem | %11,8 karşı %32,4 | Arora ve ark., ICLR 2025 |
| Kullanıcı duraklamaları sırasında Moshi söz devralma oranı, Candor kümesi | 0,980 | Full-Duplex-Bench, 2025 |
Metodoloji ve Kaynaklar
- Jiang ve ark., TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue, IEEE SLT 2026 ve canlı TurnBench liderlik tablosu: insan zamanlama istatistikleri ile sistem duyarlılığı, yanlış pozitif oranı ve gecikmesi.
- Stivers ve ark., Universals and cultural variation in turn-taking in conversation, PNAS 2009: 10 dil, 101 konuşma, evet/hayır soruları.
- Levinson ve Torreira, Timing in turn-taking and its implications for processing models of language, Frontiers in Psychology 2015: Switchboard analizi ve Heldner ve Edlund’un (Journal of Phonetics 2010) incelemesi.
- AWS, Configuring timeouts for capturing user input with a Lex V2 bot: varsayılan sessizlik, başlangıç ve barge-in ayarları.
- Bijwadia ve ark., Google, Unified End-to-End Speech Recognition and Endpointing for Fast and Efficient Speech Systems, SLT 2022.
- Chang ve ark., Google, Turn-Taking Prediction for Natural Conversational Speech, Interspeech 2022.
- Raju ve ark., Amazon, Two-Pass Endpoint Detection for Speech Recognition, 2024.
- Skantze ve Irfan, KTH, Applying General Turn-taking Models to Conversational Human-Robot Interaction, 2025.
- Ekstedt ve Skantze, TurnGPT, Findings of EMNLP 2020.
- Inoue ve ark., Multilingual Turn-taking Prediction Using Voice Activity Projection, LREC-COLING 2024 ve Inoue ve ark., Real-time and Continuous Turn-taking Prediction Using Voice Activity Projection, IWSDS 2024.
- Lin ve ark., Full-Duplex-Bench, ASRU 2025 ve Lin ve ark., Full-Duplex-Bench v1.5, 2025 (sürüm 3, 28 Ocak 2026).
- Arora ve ark., Talking Turns: Benchmarking Audio Foundation Models on Turn-Taking Dynamics, ICLR 2025.
- Défossez ve ark., Kyutai, Moshi: a speech-text foundation model for real-time dialogue, 2024.
- Nguyen ve ark., Generative Spoken Dialogue Language Modeling (dGSLM), 2022, TACL 2023’te yayımlandı.
- LiveKit, Using a transformer to improve end of turn detection, 20 Aralık 2024: satıcı iddiaları, bu şekilde etiketlendi.
- Veri notu: Moshi makalesi 10 dil genelinde 230 ms ortalama yanıt süresi tarif ederken PNAS çalışması 208 ms ortalama bildiriyor; dolayısıyla diller arası ortalamalar kaynağa göre değişiyor. Çakışma yaygınlığı da yönteme göre değişiyor: Levinson ve Torreira’nın Switchboard analizinde söz hakkı devirlerinin yaklaşık %30’u, Heldner ve Edlund’da ise geçişlerin yaklaşık %40’ı. Google’ın konferans özeti medyan ve 90. yüzdelik azalmaları 130 ms (%33,3) ve 160 ms (%22,2) olarak listeliyor, burada kullanılan arXiv tabloları ise 120 ms (%30,8) ve 170 ms (%23,0) veriyor. TurnBench liderlik tablosu canlı ve harici gönderimleri kabul ediyor, dolayısıyla sıralamalar değişecek; yukarıdaki rakamlar 31 Ekim 2026’da okundu ve kendi kendine gönderilmiş harici girdileri, ki bunların dokuzu duyarlılıkta Voice Activity Projection’ın üzerinde yer alıyor, dışarıda bıraktık. Full-Duplex-Bench v1.5 rakamları arXiv sürüm 3’ten geliyor. Çağrı merkezi barge-in sıklığına dair birincil herkese açık veri bulamadık.
Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, IEEE SLT 2026 bildirileri son TurnBench makalesini yayımladığında yapılması bekleniyor.