每一句都接上了，每一句都晚了半秒

🚪 上期回顾：皮肤还没长好，这次测耳朵

上一篇 WorldSolver，我们给 AI 做了一次物理体检：让它把一捧水、一块布、一缕烟写成真正能跑的模拟器。结论不太体面——最好的模型也只拿到一半分数，一个课本级的牛顿摆都能晃成事故现场。物理直觉是皮肤，而 AI 的皮肤，显然还没长好。

但身体与感观这个考棚，我们才刚走到第二间。

这一间测的是耳朵。更准确地说，测的不是"听不听得清"——语音识别那套老黄历早翻篇了——而是听的时机。你回想一下人类聊天时的那种感觉：朋友话还没说完，最后一个字还在半空中，你已经点着头接上了；饭局上有人讲故事，全桌人的笑声卡在同一个气口上炸开；电话这头你刚停顿半拍，那头的"嗯，我在听"就稳稳落在节拍上。这种接话的节奏感，语言学里叫话轮转换，但我们完全可以换个更日常的说法：这是听觉社会的礼仪。

Timing is everything。接早了，显得抢话；接晚了，显得走神。那个刚刚好的窗口，窄得惊人。

那么问题来了：两个最新的全双工语音模型坐在一起聊天，全程没有人类在场吸收时机误差，它们会 settling into 什么样的节奏？是像两个老搭档一样你来我往，还是像两台客服电话互相念稿？

之所以这个问题值得严肃对待，是因为它戳中了一个正在发生的行业转向：语音模型正在从"工具"变成"对话者"。客服、陪练、语音助手，越来越多的场景里，对面那个声音不再是人。而对话体验的评判标准里，内容对不对只占一半，另一半是节奏顺不顺——一次恰到好处的"嗯"，比一万字正确的废话更能让人觉得"被听见了"。如果 AI 之间互相生成的对话本身就带着病态的节奏，以此为燃料的训练、以此为考官的评测，都会把病态当成常态继承下去。

这就是今天这篇论文要测的事。论文叫 Coupled but Late，来自杜克大学，标题已经把答案剧透了：合拍，但迟到。接下来我们看看这两个词分别是怎么被钉死在数据上的。

🎙 先认识考场：没有声音的语音对话

先交代技术背景，尽量不讲术语。

你现在和语音助手说话，主流方案其实还是"对讲机模式"：你说完，它把录音转成文字，想好回答，再合成语音放出来。整个过程像发电报——你按一次发送键，等对方回电。人类聊天可不是这样。人类打电话是双工的：两人同时在线，你可以边听边"嗯嗯"地应和，可以在对方说到一半时轻轻插一句，可以把话头抢过来再还回去。最新的全双工语音模型开始接近这个能力了：它们一边接收音频一边生成音频，听和说不互相阻塞。

杜克大学的实验台搭得很干净：两台 PersonaPlex-7B，每个实例独占一张 GPU，中间不经过任何语音识别和语音合成的中间层——注意，这一点很关键——它们直连交换 Mimi 音频 token，12.5 Hz 的速率，每 80 毫秒走一步。路径上从头到尾没有音频存在，纯粹是编码符号的交换。粗码本 160 毫秒就能读出来，细码本要等 240 毫秒。

这套设计的用意很明显：过去测语音对话延迟，总有一口甩不掉的锅——转录要时间，合成要时间，你分不清模型的"慢"是它自己的性格还是流水线的拖累。现在流水线拆了， token 直达，如果还慢，那就是模型骨子里的慢。

考场规则也定死了：36 场种子对话，每场 90 秒，5 个场景——比如公寓洗衣房这种生活化的小舞台。音频温度 0.8，文本温度 0.7，persona、场景、声线、随机种子全部固定。两台机器隔着一张显卡对坐，像一场被精心布置过的相亲：一切都是变量控制好的，唯一要观察的，是那零点几秒的停顿。

顺带一提为什么选 90 秒。人类打电话也有磨合期，开场寒暄和聊到兴头上的节奏不一样，研究者为此单独切了 Switchboard 的前 90 秒做对照（43,890 次转换），保证公平起见，人类那边也是"刚认识"的状态。这个细节后面会用上。

📏 尺子怎么造：给"接话时机"下定义

测时长得先定义时长从哪算到哪。论文用的指标叫 FTO，floor-transfer offset，话轮交接偏移。它的定义一句话说清：下一个说话者开口的时刻，减去当前说话者最后一个语音段的结束时刻。差值大于零，说明中间有空白，叫 gap；小于零，说明抢在对方说完之前开口了，叫 overlap。

这里有个细节：什么叫"一个语音段"？人在说话时中间的停顿五花八门——逗号的停顿、换气的停顿、思考的空拍。论文的规定是：间隔小于 180 毫秒的语音段，合并成一个单位，叫 IPU。两个 IPU 之间的转换，才算一次话轮交接。统计时把极端值裁掉，只看正负 2 秒以内的窗口。

人类参照组用的是语言学界的老牌语料库 Switchboard 电话语料，MS-State 词对齐，19 万 3 千多次话轮转换，来自 2,407 通电话。为什么非得用电话语料？因为它是人类自然对话时机的最大样本库，193,115 次转换，这个量级足够把人类节奏刻成一把标准尺。

为了防杠，测量还做了三层保险。模型侧的语音切割用了三种方案：能量检测（主工具，0.01 RMS 门限）、文本词切分、对齐词切分，互为敏感性分析。统计上用会话级 bootstrap 抽 10,000 次，显著性阈值压到 0.05 除以 45 个检验，约等于 0.0011——比常规的 p<0.05 严了四十多倍。这把尺子，造得比多数心理学实验还较真。

结果出来之前，先记住一个直觉数字：人类接话的中位数是 137 毫秒。137 毫秒是什么概念？一次眨眼大约 100 到 150 毫秒。也就是说，人类对话的话轮交接，就发生在一眨眼的功夫里——大部分时候你根本没意识到那个空隙存在。

📊 主结果：一眨眼的功夫，变成了半秒

直接上核心表格。

Switchboard 全程：193,115 次转换，中位数 +137 毫秒，众数 160，overlap 比例 0.32，落在对方最后 120 毫秒内的"预接"占 10%，正负 120 毫秒窗口内的转换占 25%。

Agent 侧（能量切割，主结果）：747 次转换，中位数 +480 毫秒，置信区间 [400, 480]，众数 480，overlap 比例 0.18，最后 120 毫秒内的预接占 1%，正负 120 毫秒窗口内的转换占 3%。换另外两种切法，中位数是 560 和 400，结论纹丝不动。

480 对 137，晚了三到四倍。四分之一秒，刚好是"对方会不会觉得尬住了"的心理门槛——日常聊天里停顿超过半秒，人就会开始想：他是不是没听懂？我该不该再说一遍？

你可以亲手验证这个阈值：明天跟人说话时，故意在每个句尾多停半秒。用不了三句，对方的眼神就开始飘。这就是 480 毫秒的日常含义——它是"掉线"的感觉，不是"思考"的感觉。

但数字的倍数还不是最扎眼的。最扎眼的是分布的形状。人类的直方图在零附近是活的：25% 的转换挤在正负 120 毫秒这个窄带里，有的略早有的略晚，像一个话轮自然呼吸的胸口。Agent 的直方图在零附近是一片真空——3%，几乎无人区。它们的转换不活在零附近，活在 400 和 480 毫秒那两个格子上：44% 的转换精确地落在这两个值上，像盖戳。人类那边没有任何对应的尖峰。

还有最后 120 毫秒。人类有 10% 的转换是在对方话音还没落地时就完成的——你说着说着觉得对方要收尾了，提前半口气起话头，这叫 projection，预测式接话，是好听众的标志性动作。Agent 呢？1%。这最后的 120 毫秒，对它们来说几乎是禁区。

什么感觉？像走进一间人人都在交头接耳的屋子，发现两位新来的客人其实聊得很热络，但每个人说完一句话，都要等那个约好的暗号响了才接——而这个暗号，总是晚半拍。合拍地迟到着。

🧲 实验一：这半秒，是两个人合谋出来的

480 毫秒会不会只是个系统时钟？比如模型内部每 480 毫秒巡一圈，赶上了就开口？第一个实验用"重新配对"拆这个假设。

把原来第 i 场对话里的 A 请回来，但给它换一个搭档——来自第 j 场的 B（j≠i），配对 2,000 种，全是错位的 derangement。结果：中位数从 480 毫秒崩到 +80 毫秒，overlap 比例翻倍到 0.46，四分位间距从 160 毫秒暴涨到 1360 毫秒。而真实配对在所有统计量上，压过了全部 2,000 次重新配对。

这组数字的含义很漂亮：480 不是时钟，是这对搭档之间长出来的东西。每台模型都在感知对方的节奏并适配——耦合是真的。两个陌生模型凑在一起，节奏立刻散架、沉默暴涨；老搭档坐在一起，沉默稳稳定在它的 480 上。它们是真合拍，只是合拍在了一个慢拍子上。同场景重配对也能复现自由代理的结果，说明这个结构属于配对本身，不属于场景，也不属于哪台机器的表。

打个比方：这就像两个人合抬一件家具。临时拼凑的路人，步子永远踩不齐，家具歪歪扭扭（IQR 从 160 涨到 1360 毫秒，就是这个"歪歪扭扭"）；搭惯了档的搬运工，动作严丝合缝——只是他俩商量好的口令"一、二、起"，比行业标准慢了一拍。配合是真的，默契是真的，慢也是真的。三个事实可以同时成立，这就是这篇论文标题里 Coupled 和 Late 并排放着的原因。

还有个更揪心的对照：静音实验。12 个格子里，把对方的声音抽掉。转换次数从 273 次塌到 26 次，每个 agent 的词数从 134 掉到 29。也就是说，这两台模型所谓"对话"，几乎完全靠对方的声音吊着——伙伴的音频在场，说话这件事才在场。有点像双人舞：音乐停了，舞步还在摆，但谁也不再迈步了。

🎛 实验二：迟到是策略，不是通道的锅

接下来拆最显眼的嫌疑犯：链路延迟。前面说了，细码本要 240 毫秒才能读，会不会 480 其实就是 240 的延迟加上 240 的反应，是个物理必然？

办法很粗暴：从每一次转换里扣掉全部 240 毫秒，假设链路延迟不存在。结果：中位数还有 240 毫秒，近零带仍然只有人类的一半，最后 120 毫秒里依然是人类 10% 对 agent 1%。扣光了通道的账，迟到依旧。

真正一锤定音的是延迟扫描。实验者人为往 B→A 的方向注入额外延迟，D 取 3、8、10、15 帧。A 的直方图众数精确地挪到了 480 + D×80 毫秒的位置上，而 B 那侧稳稳钉在 6 帧不动。这个线性关系漂亮得像物理实验：等待时间不是内部固定计时器，而是死死锚定在对方音频可感知结束时刻之后的一个偏移上。对方就算慢到 1.2 秒才说完，等待也一分不缩短——它不预测你的结束，它等你的结束。

再看 overlap 的形态。Agent 确实有 18% 的 overlap，比人类 32% 还低呢——但位置不一样：人类的 overlap 中位在对方结束前 311 毫秒，agent 的在中位 −560 毫秒。人类那 32% 里有大量是"嗯""对"这种贴着对方话尾的应和，agent 的 overlap 大多是插进对方话轮深处的打断。9/10 个 agent 的正偏移是在对方结束之后超过 320 毫秒才起的话头，人类只有 4/10。

结论很清楚：这是一套 silence-threshold 反应式端点检测策略——像一个声控灯，你不动，它才亮。再贴切的比方是电话客服的操作规程：确认客户完整说完、停顿、再开口。规程保证了不抢话，代价是那股子挥之不去的"呼叫中心味"。人类是好听众，提前半口气；agent 是合规的客服，确认你彻底说完，再开口。补充一句，Chang 等人此前测过 PersonaPlex 在打断场景有约 0.6 秒的生成-感知滞后，和这里的残留量对得上，不过那不是本实验识别的机制，先记账上。

🎭 实验三：放录音，这套礼仪就失灵了

最后一个实验最像行为艺术：如果对面的不是活的模型，而是录音呢？

72 场跑，素材来自 AMI 会议语料的 24 个窗口、2 段录音，电平匹配好，故意晚一帧送达，其余一切照旧。结果：那个标志性的 6 帧尖峰直接消失了，质量掉到原来的三分之一；中位数腰斩到 240 毫秒；正负 120 毫秒带的占比升到 0.16，恰好落进"错位窗口"代理的范围里；agent 自己的话语份额从 0.35 砍半到 0.15。

这说明什么？480 毫秒不是刻在权重里的固定延迟，它是被活搭档引发的行为——是一种社交反应。对面坐着的模型会随你起舞，你们俩一起把这个慢节奏跳成了习惯；对面放一盘死磁带，舞步就散了。这个区分很微妙也很重要：它不是迟钝，它是在"有活人在场"时才启动的一套特定的、反应式的接话规程。录音骗不出这套规程。

这里插一句方法论上的佩服。三个实验层层递进，拆掉的每一个备选解释都干净利落：重新配对排除了时钟，扣掉 240 毫秒排除了通道，放录音排除了固定延迟。到这一步，"反应式策略"几乎是唯一站得住的解释。做行为科学式的实验设计做到这个严谨程度，在语音模型研究里并不常见。

☎️ 彩蛋：一开口就露馅的客服腔

正文之外，论文还埋了一个趣味发现，我觉得值得单独说。

去听这些对话的开头，画风是这样的："Hi, this is Aria.""Hi, Orion."——电话客服腔。研究者列了一个 21 种模式的词汇表去扫，发现开场头 10 秒里，这类客服话术的密度高达每千词 29 次，10 秒之后立刻掉到每千词 2 到 4 次。像一道旧伤疤：训练语料里 voice 数据大半来自电话和客服场景，模型开口的第一句话，先暴露出身。

有意思的是治疗实验。往 speech 流里塞进一句场景化的开场白——比如让角色一上来就用洗衣房的情境打招呼——开场客服腔从 29 掉到 12，全对话密度从 7.6 掉到 2.2。而同样的句子写在 system prompt 里当指令呢？36 场对话只有 8 场照办，开场率 26.7，纹丝不动。

一句话：写在 prompt 里够不着的东西，说进 speech 里就够得着。这个模型的行为习惯住在音频层，不住在指令层。跟它讲道理没用，得用它的母语——声音——去带。这对所有做语音 agent 的人都是一条实用到近乎残酷的提示。

💭 写在最后：听觉社会的礼仪考试，目前不及格

把三场实验拼起来，这幅画像就完整了：两个全双工模型对话，会自发形成稳定、耦合、可复现的节奏——这是好消息，说明"对话能力"不是幻觉。但这个节奏锚定在对方的音频结束时刻上，比人类慢三到四倍，落在人类最热闹的正负 120 毫秒窗口里的转换只有人类的零头，而人类用来表达"我在听、我预判得到你"的最后 120 毫秒，几乎完全空置。

更值得注意的是结论里那句冷静的话：这样的配对生成的对话，或者拿这样的配对当考官的评测，会继承反应式端点检测器的下限。翻译一下：如果一个语音模型是由另一个语音模型来面试的，大家都慢，慢就互相看不见了——480 毫秒成了新常识。评测的污染从来不只来自答案泄露，也来自考官自己的生理局限。

这也是这篇研究比"又一个 benchmark"更值得记住的原因。它没有给模型打分排队，而是回答了一个此前没人量化过的问题：当 AI 组成自己的对话社会时，它们会长出什么样的礼节？答案是：一套自洽的、稳定的、但从人类角度看失礼的礼节。自洽到足以骗过彼此，也足以骗过拿它们当考官的我们。

换个角度想，这篇论文真正测的其实是"预测"两个字。人类接话快，不是因为耳朵灵，而是因为大脑一直在跑一个预测模型：对方的句子走向哪个词收尾、哪个气口是终点，提前几十毫秒就开始调度发声器官。这套机制我们从不觉得珍贵，直到看见没有它的样子——一个永远在等你说完的聪明存在，礼貌、稳定、合拍，隔着半秒的空拍。

身体与感观的第二问，答案和第一问押韵：皮肤没长好，耳朵的礼仪也还没学会。但这恰恰是精确的诊断书——知道它等的是 480 而不是 137，知道它活在反应而非预测里，知道录音骗不动它、开场白写在哪儿才有效——每一项都是能动工的地方。下一篇，视觉的感观，考棚见。

📚 参考文献

• 论文标题：Coupled but Late: Turn-Taking Between Full-Duplex Speech Models in Unscripted Dialogue
• 作者：Lichen Zhu, Yueqian Lin, Yiheng Wang, Hai "Helen" Li, Yiran Chen
• arXiv ID：2610.08683 (v1, 2026-10-06)
• 机构：Duke University（杜克大学）
• 投稿目标：ICASSP 2027
• 代码与测量数据：即将开源