割り込み（バージイン）は、音声エージェントが話している途中で、ユーザーが話し始めることです。これに対応するには2つの判断が要ります。1つは、聞こえた音が本当の割り込みか、相づち（バックチャネル）、周りの話し声、別の人との会話にすぎないかの判断です。もう1つは、本当の割り込みだったときに、どれだけ速く止まるかの判断です。カスケードは別の検出器でこの判断をし、全二重のモデルはモデルの中で判断します。
本当の割り込みの見分け方
エージェントのターン中に聞こえる音が、すべて止まる合図とは限りません。Full-Duplex-Bench v1.5 は、システムが話している間に4種類の重なりを流します。ユーザーの割り込み、聞き手の相づち、ユーザーが別の人に話しかける声、周りの話し声です。選択的な割り込み（selective interruption）とは、本当に発話権を取りに来た声では止まり、ほかの重なった声では止まらないことを指します。
4つとも人の声なので、VAD（音声区間検出）が声を検知するたびに止まるカスケードは、4つのどれでも止まります。この判断をするのが割り込み判定モデルです。LiveKit の adaptive interruption handling は、エージェントのターン中の声が本当の割り込みか、相づちか、雑音かを判定します。Krisp のモデルは、ユーザーが相づちを打つつもりか割り込むつもりかを見分け、割り込むつもりである確率を40ミリ秒ごとに出します。
タイムラインで試す
下のタイムラインは、方式ごとのシステムの返答を1回ずつ示しています。AI が話している間に「割り込む」を押すと割り込み、「相づちを打つ」を押すと相づちを打ちます。
話し続けます。割り込んだ声は聞かれません。
処理の遅れのあとで止まり、さらに間を置いて答えます。
すぐに止まり、短い間で答えます。
半二重: 話し続けます。割り込んだ声は聞かれません。 カスケード: 処理の遅れのあとで止まり、さらに間を置いて答えます。 全二重: すぐに止まり、短い間で答えます。
ここでのカスケードは、VAD だけを使うカスケードと同じく、どんな声でも止まります。割り込み判定モデルがあれば、相づちの間も話し続けられます。全二重のタイムラインは、この設計で可能になる動きを示しています。実際に測ったモデルの動きはベンチマークの結果を見てください。
止まるまでの速さ
ユーザーが本当に割り込んでいるとシステムが判断したら、次はどれだけ速く止まるかが問題になります。半二重のシステムはまったく止まりません。返答を最後まで話し、その間にユーザーが言ったことは聞かれません。カスケードは検出器が反応した時点で止まり、検出器は決まった間隔で判定します。ボットが話している間、Pipecat の相づち検出器は20ミリ秒ごと、Krisp は40ミリ秒ごと、tyger は80ミリ秒ごとに判定します。全二重のモデルは、自分が話しているのと同じストリームでユーザーの声を聞いています。
ベンチマークは速さと正確さを合わせて採点します。TurnBench は、割り込みをどれだけ捉えたか（Recall）と、検出遅延の中央値を併せて示します。SID-Bench は、誤検出と応答の遅れの両方に、時間のペナルティを課します。Full-Duplex-Bench v1 は、割り込まれた後の応答を、発話権を取った割合（take-over rate）、遅延、GPT-4-turbo による関連性の評価で採点します。
ベンチマークの結果
2026年10月に公開された MultiPartyTurnBench は、2人から5人の話者がいる場面でのターンの交代を試します。5つの全二重エージェントは、会話に加わる課題では成績が良く、選択的な割り込みでは偶然に近い成績でした。
Gemini-3.8-Live は相づちの97.7%を割り込みとして扱い、話すのを譲りました。一方、MiniCPM-o-4.5 が譲ったのは、本当の割り込みのうち1.4%だけでした。同じテストで、割り込みの検出は、発話権を取りに来た声を見逃すか、反応しすぎるかのどちらかでした。
自ら報告された数値は、ずっと良く見えることがあります。半二重のモデルを D2 という手法で全二重に変換した Qwen3-Omni-D2 は、12.5 Hz の更新頻度で割り込みの成功率99.5%を報告しています。異なるテストのスコアは比べられず、ターンの交代のスコアが高くても、割り込みへの対応についてはほとんど分かりません。割り込みは自分たちの通話で試してください。
割り込み判定モデル
データベースには、割り込みを扱うコンポーネントが7件あります。主な役割として扱うものと、ターン検出と併せて扱うものがあります。
| コンポーネント | 出力 | 提供形態 | ライセンス |
|---|---|---|---|
tygerNineNineSix | Every 80 ms: listen, hold, speak or backchannel, with barge-in, backchannel and endpoint scores | Open weights | OpenMDW-1.1 |
VoxTurnUniversity of Melbourne | End of turn yes or no, plus complete, incomplete, backchannel or wait, from the last 8 seconds of audio | Open weights | CC-BY-NC-4.0 |
Echo Omni DuplexZero Runtime | A running estimate of who holds the floor, plus end-of-turn and interruption events with confidence | Hosted API | Proprietary |
| Whether speech during the agent's turn is a real interruption or a backchannel or noise | Platform option | Proprietary | |
| Every 40 ms, the probability that the user means to interrupt rather than backchannel | SDK | Proprietary | |
Pipecat backchannel detectorPipecat | Every 20 ms while the bot speaks: backchannel or taking the floor | Open weights | BSD-2-Clause |
| barge, speech_onset and speech_over events while the agent plays audio | Open weights | CC-BY-NC-4.0 |
ターン検出や VAD とは Components で比べられます。ガイド: ターン検出
ベンチマーク一覧
データベースには、割り込みを試す全二重のベンチマークが11件あります。割り込みのタグが付いているもの、または割り込みの指標を報告しているものです。更新の新しい順に並べています。
| ベンチマーク | 主な指標 | 更新 |
|---|---|---|
| TurnBench Sesame AI Labs / Mundo AI / CMU / oto | end-of-turn recall, interruption recall, false-positive rate | 2026-11 |
| DuplexAct Dong et al. | immediate execution success, follow-through success | 2026-10 |
| MultiPartyTurnBench Mathur and Manocha | end-of-turn recall at fixed FPR, interruption recall at fixed FPR, signed latency | 2026-10 |
| M3-DuplexBench NTT (Fukuda et al.) | turn-taking rate and latency, pause handling, backchannel and barge-in response | 2026-10 |
| ECHO Zhao et al. | pair accuracy, yield accuracy, keep accuracy | 2026-09 |
| SID-Bench Xia et al. | Average Penalty Time (APT), false alarms, response delay | 2026-03 |
| FLEXI Ge et al. | latency, response quality, emergency interruption | 2025-09 |
| Full-Duplex-Bench v1.5 NTU / UC Berkeley / UW / MIT | overlap duration, mutual-silence rate, interruption recovery | 2025-08 |
| FD-Bench Peng et al. | interruption response, delay, robustness under noise | 2025-07 |
| Talking Turns Apple / CMU | turn-event F1, backchannel rate, interruption rate | 2025-04 |
| Full-Duplex-Bench v1 NTU / UC Berkeley / UW / MIT | turn-taking latency, back-channel timing, interruption success | 2025-03 |
ガイド: Full-duplex音声AIの評価方法
よくある質問
- バージインと割り込みは同じものですか？
- はい。バージインは、システムが話している途中で話し始めることを指します。割り込みへの対応は、それにシステムがどう応じるか、つまり止まるかどうかと、どれだけ速く止まるかです。
- 音声エージェントは、どんな音にも止まるべきですか？
- いいえ。「うん」などの相づち、別の人との会話、周りの話し声は発話権を求めていないので、これらで止まると返答が無駄に途切れます。割り込み判定モデルは、これらを本当の割り込みと見分けるために作られています。
- 全二重のモデルは、カスケードより割り込みにうまく対応できますか？
- どちらも、話している間にユーザーの声に気づけます。カスケードでは別の検出器が聞いていて、言語モデルは音声を聞いていません。全二重のモデルは、自分が話しているのと同じストリームでユーザーの声を聞いています。測定結果はさまざまで、MultiPartyTurnBench では、5つの全二重エージェントが、本当の割り込みのときだけ止まる課題で偶然に近い成績でした。
- 重みが公開された割り込み判定モデルはどれですか？
- データベースの割り込み判定モデル7件のうち4件です（tyger、VoxTurn、Pipecat backchannel detector、Dialt barge-in detector）。非商用に限るものもあるので、それぞれのライセンスを確かめてください。
更新日