新基准用同一音频横向评测七类实时语音系统的四项能力。
资讯摘要
论文提出 InteractionBench，用同一批录制用户音频在 13 个场景、每个系统 221 个条目上评测实时语音系统的对话时序、口语任务准确率、耳语与音量、以及二十轮以上对话中的接地性。作者对 GPT-Live、GPT-Realtime、Gemini Live、Moshi、PersonaPlex、Freeze-Omni 和级联系统共进行 1519 次评分运行，报告了各系统在时序与任务准确率上的差异。
要点速读
- 基准覆盖对话时序、口语任务准确率、耳语与音量、长对话接地性四个维度，每系统 221 条、13 个场景。
- 六个全双工系统的时序与口语任务准确率排名相关（ρ=0.83）；级联系统口语任务得分最高（38/50），时序得分第二低。
- 托管系统接地性探针通过率 67–88%，开源全双工模型为 14–35%；GPT-Live 扣除约 1.5 秒网络延迟后时序得分从 86% 降至 56%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。