DuplexCascade：无VAD分段的级联ASR-LLM-TTS管线与微轮优化的全双工语音对话
计算与语言
2026-03-11 v1 人工智能
摘要
级联ASR-LLM-TTS模块的语音对话系统保留了强大的LLM智能，但VAD分段常常导致半双工轮次且控制脆弱。另一方面，VAD-free端到端模型支持全双工交互，但难以维持对话智能。本文提出DuplexCascade，一个无VAD分段的全双工语音到语音对话级联流式管线。我们的核心思想是将传统的按言语长轮次转换为按块的微轮次交互，在保持强大文本LLM优势的同时实现快速的双向交换。为可靠地协调轮次衔接与响应时机，我们引入一组对话性特殊控制token来引导LLM在流式约束下的行为。在Full-DuplexBench和VoiceBench上，DuplexCascade在开源语音到语音对话系统中实现了全双工轮次衔接和强对话智能的状态突破。
引用
@article{arxiv.2603.09180,
title = {DuplexCascade: Full-Duplex Speech-to-Speech Dialogue with VAD-Free Cascaded ASR-LLM-TTS Pipeline and Micro-Turn Optimization},
author = {Jianing Yang and Yusuke Fujita and Yui Sudo},
journal= {arXiv preprint arXiv:2603.09180},
year = {2026}
}
备注
Submitted to Interspeech 2026