JAL-Turn：面向全双工语音对话系统的联合声学-语言模型用于实时可靠的语音接话检测

尽管近期进展取得显著进展，但在工业级语音 AI 智能体部署中，高效且稳健的语音接话检测仍然是一个重大挑战。许多现有系统仅依赖声学或语义线索，导致检测精度和稳定性次佳；而最近尝试为大型语言模型赋予全双工能力的数据需求高昂，训练和部署开销巨大，限制了实时性能。本文提出了 JAL-Turn，一个轻量且高效仅基于语音的语音接话框架，采用联合声学-语言建模范式，其中包含一个跨注意力模块，自适应地整合预训练的声学表示与语言特征，以支持低延迟的保持与转移状态预测。通过共享冻结的语音识别编码器，JAL-Turn 使语音接话预测能够完全并行于语音识别运行，无需额外的端到端延迟或计算开销。此外，我们引入了一个可扩展的数据构建管道，自动从大规模真实对话语料库中推导出可靠的语音接话标签。在公共多语言基准和内部日语客户服务数据集上的大量实验表明，JAL-Turn 在检测精度上 consistently 优于强大的状态-of-the-art 基线，同时保持卓越的实时性能。