用大模型算语义不确定性，竟能精准预测对话轮换时机！
Using Semantic Uncertainty to Estimate Transition Relevance in Turn-taking
📖 AI 总结
该研究探讨对话轮换中"转换相关位置"（TRP）的预判机制，即听者如何在说话人话语尚未结束时识别可以接话的时机。作者提出用"语义不确定性"来建模这一过程：通过大语言模型对当前话轮采样多种可能的后续延续，观察语义分散度的变化来识别话轮内部的TRP。研究采用带有真实实时听者反应标注（而非事后回溯标注）的数据集进行评估，结果显示该方法显著优于基于提示词和微调的纯文本基线。这一发现为"不断演变的语义约束会影响无脚本互动中感知到的接话机会"这一观点提供了实证支持，也为改进口语对话系统的响应时机提供了新思路。
🔑 关键词速览
| Turn-taking | 对话中说话者与听者交替发言的机制，决定谁在何时说话或倾听。 |
| Transition Relevance Place (TRP) | 话轮中听者可以接管发言的潜在位置，是一种机遇而非义务。 |
| Semantic Uncertainty | 由大语言模型衍生的度量，衡量当前话轮对后续可能内容的约束强度。 |
| Spoken Dialogue Systems (SDS) | 能够与人类进行口语交互的计算机系统，如语音助手。 |
| Semantic Dispersion | 对可能延续的语义分布离散程度的度量，用于识别话轮中的TRP。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅