Люди, ведущие беседы: оценка того, как естественная речь приводит к сближению

arXiv: 2610.10.1202v1 Annuate Type: новый резюме: модель речи должна решать на каждой паузы, говорить ли. В рамках существующих оценок проверяются данные об обнаружении границ, соблюдении политики или агрегированных статистических данных, а не это решение. Мы поместим в режиме реального времени речевые системы на 427 паузах и 482 поворота заканчиваются из 176 незаписанных разговоров в Seammed Connection, дадим каждому сигнал до сих пор и оценим то, что он генерирует против того, что сделал человек: говорит ли и как скоро он говорит при паузе; его латентность, длина и формулировка на поворотном этапе; может ли оно ответить на вопрос о предыдущих 30-120 секундах. В шести системах, размещенные API (GPT в режиме реального времени, Gemini 3.1 Flash Live, Hrok Voice) отвечают почти на каждую паузу, какую бы ни использовали они; только их запоздалость, примерно от 1 до 4 с с помощью конечных очков на основе тишины и около 8 s с обнаружением семантического поворота, решают, приземляются ли слова внутри паузы. Полнофункциональные модели (PersonaPlex, Moshi) являются единственными системами, которые регулируют