voice-activity-detection

这篇论文提出了一套自动化流程，用于从分离声道录音的自发对话中提取对话轮次与反馈语（backchannels），在99段丹麦语对话上评估得到约0.62的F1分数，可作为半自动标注流程中的一致性初步标注。

FD-VAD 提出一种无需 ASR、流式运行的语义端点检测方法，将因果音频窗口直接映射为 Continue/Stop 决策，适用于全双工语音智能体。该方法结合冻结的语音编码器与参数高效适配的语言模型，在 TurnBench 上取得了最先进（state-of-the-art）的 EOT 召回率。

关于AI语音代理五层架构的详细解释，包括语音转文字、大语言模型（LLM）、文字转语音、编排器和电话通信，所有层均在500毫秒延迟约束下运行，以保持自然的对话流畅度。