PolyAI、音声認識・ターン取り・関数呼び出しを融合した音声ネイティブ対話モデル「Dialog-RSN-1」を発表

記事の3ポイント

1. 1

   音声ネイティブな入力処理と出力の分離

   このモデルは入力側で生音声を直接処理するが、TTS（テキスト読み上げ）は別システムとして分離しており、発話制御を維持している。

2. 2

   オンデマンド実行によるリソース効率化

   常時ストリーミングではなく、VADとタイマーでトリガーされるリクエストベースのLLM として動作し、GPU リソースを固定しない。

3. 3

   ターンテイク制御の独自アプローチ

   応答の最初のトークン（EMPTY, ONGOING, COMPLETE）が会話の流れを決定し、単純な音響キューではなくモデルの文脈理解に基づいて判断する。