ターン検出

ターン検出（turn detection、end-of-turn detection）は、ユーザーが話し終えたかを判定し、音声エージェントがいつ答えるかを決める部品です。判定が早すぎると相手の話を遮り、遅すぎると沈黙が続きます。カスケード型の音声エージェントはこの判定に専用の部品を使い、全二重のモデルは同じ判定をモデルの中で行います。

無音による判定

いちばん単純な方法は、音声区間検出（VAD）が声を検知しなくなってから、決まった長さの無音を待つものです。人は考えながら文の途中で間を置くので、待ち時間が短いと話を遮り、長いと毎回の返事が遅くなります。人どうしの会話では、話者が交代するときの間は約200ミリ秒が最も多く、1語を話す準備には少なくとも600ミリ秒かかります。そのため聞き手は、相手の話が終わる前に終わりを予測しています。ターン検出は、言葉、抑揚、またはその両方から同じ予測をします。

ターン検出の種類

全二重のモデルは話しながら聞いているので、これらを別の部品として持つ必要がありません。モデルの一覧で「Full-duplex」に絞ると確かめられます。

測り方

次の2つの公開ベンチマークは、すべてのシステムを同じテストセットで採点します。そのため、下の各表の中では数値を比べられます。

TurnBench は、人手でラベルを付けた2人の会話30時間を使い、話し終わりと割り込みの検出を採点します。誤検出率が0.15以下であることを条件に、実際の話し終わりをどれだけ捉えたか（Recall）で順位を付け、遅延の中央値も併せて示します。

LiveKit の eot-bench は、ユーザーの話を遮る割合を5%以下に調整したとき、話し終わりからどれだけ待つかを示します。短いほど良い結果です。

このサイトを運営する oto は、TurnBench の共著者です。eot-bench は LiveKit が運営し、自社の検出器も順位に含めています。他のテストセットでの数値は、各コンポーネントのページにあります。

TurnBench の結果

2026-11-08に TurnBench のリーダーボードから読み取った、話し終わりの結果です。誤検出率の上限を超えたシステムは最後に並べています。

コンポーネント	ライセンス	Recall	誤検出率	遅延（中央値）
Pturn-1-minip99lab	Apache-2.0	0.975	0.075	595 ms
ZEcho Omni DuplexZero Runtime	Proprietary	0.970	0.072	768 ms
UVoxTurnUniversity of Melbourne	CC-BY-NC-4.0	0.924	0.076	557 ms
KVoice Activity Projection (VAP)KTH (Ekstedt and Skantze)	Permissive	0.845	0.055	368 ms
ZEcho OmniZero Runtime	Proprietary	0.839	0.071	676 ms
EESPnet turn-taking predictionESPnet (CMU)	CC-BY-4.0	0.826	0.078	862 ms
SMimi EndpointerSathvik Udupa et al.	CC-BY-4.0	0.782	0.078	645 ms
Kyutai STT 1BKyutai	Permissive	0.773	0.059	1007 ms
PSmart Turn v3.2Pipecat	BSD-2-Clause	0.752	0.047	1017 ms
OpenAI Realtime semantic VADOpenAI	Proprietary	0.303	0.018	793 ms

eot-bench の結果

英語の検証用データでの結果で、2026-11-08に eot-bench のリポジトリから読み取りました。2つの表はテストセットも指標も違うので、表をまたいで比べることはできません。

コンポーネント	ライセンス	打ち切り5%での遅延
LiveKit Turn Detector v1LiveKit	Custom terms	543 ms
SSoniox stt-rt-v6Soniox	Proprietary	647 ms
UltraVADUltravox	Custom terms	899 ms
AssemblyAI Universal-3.6 Pro RealtimeAssemblyAI	Proprietary	1049 ms
PSmart Turn v3.2Pipecat	BSD-2-Clause	1051 ms
Cartesia Ink-2Cartesia	Proprietary	1056 ms
KVoice Activity Projection (VAP)KTH (Ekstedt and Skantze)	Permissive	1131 ms
OpenAI Realtime semantic VADOpenAI	Proprietary	1143 ms
Deepgram FluxDeepgram	Proprietary	1151 ms

選ぶときの観点

動かす場所。公開された重みは手元の CPU や GPU で動きます。API では通信の往復が加わり、SDK は商用ライセンスが前提です。データベースのターン検出25件のうち、21件は重みが公開されています。

言語。ユーザーの言語に対応しているかを確かめてください。開発元が日本語を対応言語に挙げているものは9件です。各コンポーネントのページに、開発元が挙げている対応言語を載せています。

ライセンス。公開モデルの中には、非商用に限るものがあります。使う前にライセンスの列を確かめてください。

組み込み先。9件のターン検出は、LiveKit Agents や Pipecat などのエージェント用フレームワークとの連携を案内しています。各コンポーネントのページに、開発元が案内している連携先を載せています。

25件のターン検出と、その周りの VAD、割り込み検出、音声認識は Components で比べられます。詳しく（英語）: The full-duplex threshold

よくある質問

VAD だけで足りますか？

VAD（音声区間検出）は誰かが話しているかを判定するもので、話し終えたかは判定しません。VAD だけを使う場合は無音の待ち時間が必要になり、間を置いた人の話を遮るか、毎回の返事が遅くなります。VAD とターン検出を組み合わせる構成も多くあります。

全二重のモデルにもターン検出は必要ですか？

多くの場合、必要ありません。全二重のモデルは話しながら聞き続け、いつ話すかをモデルの中で決めます。専用のターン検出は、音声認識、言語モデル、音声合成を順に動かすカスケード向けの部品です。

日本語に対応したターン検出はありますか？

データベースのターン検出25件のうち、開発元が日本語を対応言語に挙げているものは9件です（Smart Turn v3.2、LiveKit Turn Detector v1、LiveKit text turn detector、Krisp VIVA Turn Prediction v3、Namo Turn Detector v1、UltraVAD、VoxTurn、Echo Omni、MaAI）。

重みが公開されたターン検出はいくつありますか？

データベースのターン検出25件のうち、21件は重みをダウンロードできます。Components で「Open weights」に絞ると一覧できます。