从信号到转向：模块化语音到语音管道中的交互摩擦
人机交互
2025-12-18 v2 人工智能
计算与语言
软件工程
摘要
尽管语音基AI系统已实现显著的生成能力，但其交互往往显得对话破碎。本文考察了模块化语音到语音检索增强生成（S2S-RAG）管道中出现的交互摩擦。通过分析代表性生产系统，我们超越简单的延迟指标，识别出三种对话性中断的反复模式：(1) 时间错位，系统延迟违反用户对对话节奏的期望；(2) 表达减弱，由于缺乏语音拼接线索导致字面且不恰当的响应；(3) 维修僵化，由于架构门控防止用户实时纠正错误。通过系统级分析，我们展示，这些摩擦点不应被理解为缺陷或失败，而是模块化设计（优先于流畅性）的结构性后果。我们得出结论，构建自然语言语音AI是一项基础设施设计挑战，需要从优化单个组件转向精心编排其之间的接缝。
引用
@article{arxiv.2512.11724,
title = {From Signal to Turn: Interactional Friction in Modular Speech-to-Speech Pipelines},
author = {Tittaya Mairittha and Tanakon Sawanglok and Panuwit Raden and Jirapast Buntub and Thanapat Warunee and Napat Asawachaisuvikrom and Thanaphum Saiwongin},
journal= {arXiv preprint arXiv:2512.11724},
year = {2025}
}
备注
6 pages, 1 figure