Phoenix-VAD：面向全双工语音交互的流式语义端点检测
音频与语音处理
2025-11-05 v4 声音
摘要
口语对话模型已显著推进了智能人机交互，但缺乏面向语义端点检测的即插即用全双工预测模块，阻碍了无缝音频交互。在本文中，我们引入 Phoenix-VAD，一种基于大语言模型（LLM）的模型，实现流式语义端点检测。具体而言，Phoenix-VAD 利用大语言模型的语义理解能力，结合滑动窗口训练策略，实现可靠的语义端点检测，同时支持流式推理。在语义完整和不完整的语音场景中进行实验表明，Phoenix-VAD 取得优异且具竞争力的性能。此设计使全双工预测模块能够独立于对话模型进行优化，为下一代人机交互提供更可靠、更灵活的支持。
引用
@article{arxiv.2509.20410,
title = {Phoenix-VAD: Streaming Semantic Endpoint Detection for Full-Duplex Speech Interaction},
author = {Weijie Wu and Wenhao Guan and Kaidi Wang and Peijie Chen and Zhuanling Zha and Junbo Li and Jun Fang and Lin Li and Qingyang Hong},
journal= {arXiv preprint arXiv:2509.20410},
year = {2025}
}
备注
It requires internal PR approval