本文来源：听见未来Tech

全双工（full-duplex）语音交互要求系统在用户说话的同时并行完成识别、理解与响应决策，其核心难点在于判断当前话轮是否结束——决定何时接话、何时继续等待。传统 VAD（Voice Activity Detection）仅依据声学特征区分有声与静音，无法辨别"停顿思考"与"话轮完成"，易在用户换气时误触发、造成抢答。
目前除了端到端对话系统之外，业界普遍在语音链路上外挂一个独立的轮次判断（turn detection）模型，充当"语义级 VAD"；该方案不侵入对话主干、工程可控且便于替换，已成为落地全双工系统的主流路线之一。下面选取五个代表性公开工作，按统一结构梳理其输入输出、模型架构与设计取舍。
Smart Turn
定位：Pipecat 团队开源、面向 CPU 部署的极轻量音频端点检测模型，主打"小而快"，与 VAD 配合使用。
输入输出：输入 16kHz 原始波形（最长 8 秒窗口，不足则补零），输出二分类——1 = Complete（说完）/ 0 = Incomplete（没说完）。运行时机由 VAD 触发：检测到停顿即调用它复判该轮是否真正结束。
架构：v3 模型以 Whisper-tiny 的 encoder 为骨干，其上接注意力池化（attention pooling）与一个浅层线性分类头，全模型约 8M 参数，导出为 ONNX，int8 量化后仅约 8MB。相比 v1 的 wav2vec2-BERT（2.3GB）、v2 的 wav2vec2（约 360MB），v3 体积缩小了近两个数量级。
图 1　Smart Turn v3 架构示意（依据官方说明自绘）
特点：极致轻量与低延迟是核心卖点。现代 CPU 上约 12ms、GPU 上 3–6ms 即可完成一次判断；v3 支持 23 种语言，权重、训练脚本与数据集全部开源。局限在于仅支持二分类、需要足够长的上下文、且必须由外部 VAD 触发；部分语言（如中文、越南语）准确率明显低于英、日、韩。
TEN Turn
定位：TEN Framework 生态中的语义轮次检测器，直接借助大语言模型对文本做判断，是"用大模型理解语义"路线的代表。
输入输出：输入为 ASR 转写文本（语音场景下需上游 ASR），输出三类状态——finished（表达完整、期待回应）、unfinished（只是短暂停顿、话没说完）、wait（用户明确要求 AI 停下，如"闭嘴""稍等"）。
架构：以 Qwen2.5-7B 为底座，套用 chat template 构造 prompt，推理时仅解码 1 个 token（max_new_tokens=1，配合低温近贪心采样），使输出稳定落在三个状态词之一。本质是"生成式分类"——依靠微调后模型的强输出倾向来锁定这三类状态。
图 2　TEN Turn Detection 架构示意（依据仓库说明自绘）
特点：相比 Smart Turn 增加 wait 状态，可处理"显式打断"这类纯声学难以判断的语义信号；原生支持中英双语，在其公开测试集上三类状态准确率均领先被对比基线。代价是 7B 体量偏重、需要 GPU（提供量化版本），且纯文本输入强依赖 ASR，既丢失了韵律信息，又会叠加 ASR 的识别误差与转写延迟。
Easy Turn
定位:西工大 ASLP 与华为提出的开源、模块化双模态轮次检测模型，并配套开源了 1145 小时的训练集，意在推动该方向的可复现研究。
输入输出:输入用户语音，输出"ASR 转写 + 轮次状态"，支持四类状态——complete（语义完整）、incomplete（语义未完）、backchannel（简短附和，如"嗯嗯"）、wait（请求暂停或终止）。
架构:借鉴 Qwen-Audio，由 Whisper-Medium 音频编码器、音频 adaptor（3 层卷积 + 4 层 Transformer）与轻量的 Qwen2.5-0.5B-Instruct 组成，全模型约 850MB。关键在 "ASR+Turn-Detection" 范式：让 LLM 先生成 ASR 文本、再融合声学特征顺序预测状态标签，从而把声学与语言两种模态显式结合。训练分两阶段——先冻结 LLM 做模态对齐，再全参微调专攻轮次检测。
图 3　Easy Turn 架构与训练阶段（论文原图，arXiv:2509.23938 Fig.2）
特点:在自建 Easy Turn testset 上，四类状态准确率全面领先 TEN Turn 与 Smart Turn V2（平均 95.75%），且参数与显存远低于 7B 的 TEN 方案。消融实验显示，去掉 ASR 中间步骤、或只用单一模态，都会显著掉点，验证了"先转写、再判断"这一双模态融合思路的价值。局限是仍需外部 VAD 切分音频、且为非流式判断。
Fast Turn
定位:ASLP 联合声网、QualiaLabs 提出，面向低延迟与噪声/重叠鲁棒性的统一框架；模型权重未开源，仅开源了配套测试集。
输入输出:输入语音，输出四类状态（complete / incomplete / backchannel / wait）。与 Easy Turn 不同，它借助流式 CTC，从"部分观测"就能提前决策，规避了"必须等完整 ASR 输出"带来的延迟累积。
架构:采用三段递进设计：Cascaded（Conformer + 流式 CTC 转写 → 作为 prompt 喂给 Qwen3-0.6B 判断）、Semantic（再引入 LLM adapter 把 Conformer 声学表征投影进 LLM 输入空间）、Unified（最终把 Conformer 中间层的细粒度声学特征经 acoustic adapter，与 LLM 隐状态融合，送入 3 层 MLP 的 turn detector 出决策）。即从 encoder 与 LLM 分别引出声学与语义 embedding，再由 MLP 分类头融合。配合四阶段训练与 prompt dropout，避免模型过度依赖 CTC 文本。
图 4　FastTurn 三段式架构（论文原图，arXiv:2604.01897 Fig.1）
特点:"CTC 辅助决策 + 声学-语义深度融合"使其在含回声、重叠、噪声的真实对话上，比"Paraformer+TEN"与"仅级联 CTC"都更准，且中断延迟更低（Unified 约 120ms）；作者同时开源了带重叠、附和、停顿标注的真实双通道对话测试集。
SoulX-Duplug
定位：上海交大 X-LANCE 与 Soul AI Lab 提出的即插即用流式状态预测模块，可在不改动主干的前提下，为任意半双工对话模型外挂全双工能力，已开源。
输入输出：流式音频输入，以 chunk（160ms）为单位交错输出"音频 token / ASR 文本 token / 状态 token"，支持五类状态——user_idle（静音或噪声）、user_nonidle（有语义语音）、user_backchannel（附和）、user_complete（语义完整、可接话）、user_incomplete（停顿但未说完）。
架构：用冻结的 GLM-4-Voice tokenizer 把音频编码为 12.5Hz 离散 token，经 linear projector 送入 Qwen3-0.6B。训练时以 {At, Tt, St} 交错序列联合优化 VAD/ASR/状态预测：先预测本 chunk 的 ASR 文本，再据此预测状态 token，保证预测状态时文本语义始终可见。三阶段训练（非流式 ASR 预训练 → 流式 ASR 适配 → 状态预测 SFT）；推理时可改用外挂 SenseVoice-Small 以 teacher forcing 形式注入每个 chunk 的流式 ASR，兼顾精度与效率。
图 5　SoulX-Duplug 交错 token 流式架构（论文原图，arXiv:2603.14877 Fig.4）
特点：把 VAD、ASR、turn detection 统一进单一流式架构，是首个"ASR 辅助的流式状态预测"外挂模块；chunk 化流式使理论平均延迟仅约 240ms，状态粒度也最细（五类状态覆盖 idle 与 backchannel）。配套开源了双语评测基准 SoulX-Duplug-Eval。即插即用、不动主干的设计，让下游对话模型可以独立扩展与放大。
横向对比
把五个工作的关键属性并排列出，取舍差异一目了然（延迟为各自论文/文档口径的参考值，测试条件不一，仅供横向感知）：
模型
开源
输入模态
骨干架构
参数量
状态数
流式
语言
延迟(参考)
Smart Turn v3
是
音频
Whisper-tiny enc + 注意力池化 + 线性头
~8M
2 类
否(配 VAD)
23 种
CPU~12ms / GPU 3–6ms
TEN Turn
是
文本(需 ASR)
Qwen2.5-7B，解码 1 token
~7B
3 类
否
中/英
未公布(级联约 200ms)
Easy Turn
是
音频→ASR+判断
Whisper-Medium + adaptor + Qwen2.5-0.5B
~850MB
4 类
否(需 VAD)
中(英可扩)
~263ms
FastTurn
仅测试集
音频
Conformer + CTC + Qwen3-0.6B + MLP 检测头
~0.7B
4 类
是(流式 CTC)
中/英
~120ms(Unified)
SoulX-Duplug
是
流式音频
GLM-4-Voice tokenizer + Qwen3-0.6B(交错 token)
~0.6B
5 类
是(chunk 160ms)
中/英
~240ms
趋势与选型
纵观五者，可看到一条清晰的演进脉络：从 Smart Turn 纯声学二分类的极简轻量，到 TEN Turn 借大模型语义理解引入 wait 状态，到 Easy Turn用 "ASR+判断" 范式把声学与语言显式融合并扩展到四类状态，再到 FastTurn 以流式 CTC 与声学-语义融合追求低延迟与噪声鲁棒，最后 SoulX-Duplug 把 VAD、ASR、状态预测统一为单一流式模块、状态粒度做到最细。
落到选型上：资源极受限、只需粗粒度端点判断，Smart Turn 足够；已有稳定 ASR、看重语义理解与显式打断处理，可选 TEN Turn；需要细分状态，Easy Turn 是均衡之选；追求低延迟与噪声鲁棒，可借鉴 FastTurn 的流式融合思路；而要最简洁架构与流式低延迟，SoulX-Duplug 更为合适。外挂轮次判断模型的主线概括：从声学到语义、从粗到细、从非流式到流式、从多模块级联到单一模型统一。


参考来源
Smart Turn｜github.com/pipecat-ai/smart-turn
TEN Turn Detection｜github.com/TEN-framework/ten-turn-detection
Easy Turn｜arXiv:2509.23938 ｜ github.com/ASLP-lab/Easy-Turn
FastTurn｜arXiv:2604.01897
SoulX-Duplug｜arXiv:2603.14877 ｜ github.com/Soul-AILab/SoulX-Duplug