PersonaPlex
PulseAugur coverage of PersonaPlex — every cluster mentioning PersonaPlex across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的InteractionBench基准测试评估实时语音系统
一个名为InteractionBench的新基准测试已被开发出来,用于跨多个维度评估实时语音系统,包括时序、任务准确性、低语检测和对话连贯性。该基准测试包含13个场景下的221个项目,并用于测试六个全双工系统和一个级联系统。结果表明,虽然时序和任务准确性相关,但级联系统获得了最高的任务分数。值得注意的是,只有Gemini Live展示了低语能力,并且托管系统在对话连贯性探测方面的表现通常优于开放式全双工模型。
-
Block 发布 Dessa,一个仅基于语音的全双工 AI 模型
Block 的 AI 研究实验室推出 Dessa,一个仅在人类对话音频上训练的全新全双工语音模型。与许多依赖文本优先架构的当前语音代理不同,Dessa 直接从语音输入到语音输出运行,使其能够同时听和说。这种方法可以实现更自然的交互,包括句子中间打断和回应信号,并且是在单个 NVIDIA GB200 NVL72 机架上训练的。
-
语音模型在自然对话流畅度和记忆力方面接受评估
一篇新的arXiv论文评估了语音模型的对话能力,重点关注它们在对话停顿时的决策。研究发现,像GPT Realtime和Gemini 3.1 Flash Live这样的托管API倾向于在几乎每个停顿处说话,延迟是决定其响应是否落在人类对话时序内的主要因素。PersonaPlex和Moshi等全双工模型表现出更大的沉默能力和适当打断的能力,更接近地模仿人类对话流程。在测试对话中的事实回忆时,托管模型在文本输入时比音频输入表现更好,并且Cl…
-
新方法抑制全双工大语言模型的虚假语音
研究人员已识别并解决了全双工语音大语言模型中存在的一个问题,即像 Moshi 和 PersonaPlex 这样的模型会在用户长时间沉默期间不当地启动语音。该问题源于语音概率的突然激增,而非重复采样。开发了一种新的推理时方法,通过评估在用户输入被静音的情况下模型的响应是否会发生变化来抑制这些虚假启动,成功消除了所有测试的虚假启动,且不影响真实响应。
-
新的 Duplex Cue 框架评估 AI 代理对重叠语音的适应能力
一个名为 Duplex Cue 的新评估框架已被引入,用于评估全双工语音代理如何适应听众重叠的语音。该框架超越了简单的继续或停止语音的二元划分,而是将响应分为保持不变地继续、在轮次内适应或放弃。一项使用人类确认提示的案例研究表明,虽然人类在 68.2% 的时间里适应协作语音,但 PersonaPlex 模型仅在 34.8% 的情况下适应,这凸显了当前代理在自然语音交互能力方面的差距。
-
新基准评估语音代理中的隐式指令遵循
引入了一个新的基准 DuplexSpeechBench-IFEval (DSB-IFEval),用于评估全双工语音代理根据角色或个性隐式遵循指令的能力,而不是显式命令。该基准包含八个助手角色和五个条件协议的 1,038 个测试用例。结果表明,虽然 F-Actor 和 PersonaPlex 等模型对基于个性的指令敏感,但 GPT-Realtime 和 MiniCPM-o 等模型在个性内容方面表现出色,但在适应地板行为方面却遇到困难。一…
-
audio.cpp 0.7新增Arena UI,支持62+个音频模型
audio.cpp项目发布了0.7版本,将其对音频模型支持显著扩展到62个家族和85个以上变体。此次更新引入了Arena UI,允许用户同时比较多个本地模型的输出。该版本还包括用于文本转语音、自动语音识别、语音转换和音乐生成的新模型,重点关注在NVIDIA Jetson Orin等边缘硬件上的性能。
-
NousResearch 发布先进的 Hermes 智能体,引发与顶级模型的比较
NousResearch 发布了其 Hermes 智能体 0.20 版本,这是自三月中旬首次发布 0.2 版本以来的重大进展。这一发展凸显了开源 AI 模型正在快速进步,从 Llama 1 和 2 等早期模型发展到能够执行复杂任务的更先进的智能体。此次发布引发了关于 Hermes 是否能与 GPT Omni 或 PersonaPlex 等先进的端到端模型竞争的讨论。
-
Thinking Machines 预览实时 AI 协作的交互模型
Thinking Machines 推出了一项交互模型的研究预览,该模型专为原生、实时的协作而设计。这些模型可同时处理音频、视频和文本,实现持续的思考、响应和行动。这种方法旨在克服当前基于回合制的 AI 界面的局限性,从而实现更自然、更流畅的人机协作,模仿人与人之间的互动。
-
新方法提升全双工语音模型以实现更好的交互
研究人员开发了新的方法来增强全双工语音模型,从而实现更自然、更具交互性的对话。一种方法侧重于使用强化学习来改进暂停处理和轮流发言等交互轴,并将其应用于 Moshi 和 PersonaPlex 等模型。另一种方法,Listen-Write-Speak (LWS),引入了一种以文本为中心的范式,模型可以同时收听、写入可见文本并进行语音输出,利用文本原生能力而不牺牲实时响应能力。