让AI学会接话,比学会说话更难 | 第十一届信也科技杯赛题解读

和语音助手对话时，我们大概都遇到过这样的尴尬时刻：中途停顿想词，它以为你说完了，抢着接话；或者你明明讲完了，它却迟疑一两秒才反应，留下一段沉默；又或者你只是“嗯”了一声表示在听，它却误以为自己被打断，慌忙停了下来。

这些问题容易被归结为AI不够聪明，听不懂话。但很多时候它接错话，不是因为理解不了内容，而是因为不知道什么时候该开口。内容答得再准确，时机错了，对话依然不自然。第十一届信也科技杯全球AI算法大赛的赛题是“对话轮次交互建模”，要解决的正是这个问题。

要理解机器为什么会接错话，得先看它是怎么工作的。今天市面上绝大多数语音机器人的内部都遵循同一套流程：先把声音转成文字，再交给模型理解、生成回复，再把回复转成声音播出去。这套设计有一个前提，机器必须等人把话说完，才能开始处理。

那机器怎么判断一句话是不是说完了？最常见的方法是看停顿时间，停顿超过某个设定时长，比如700毫秒，它就默认这一轮结束，轮到自己开口。问题在于，这个时长没有最佳答案。设定短了，句子中正常的停顿和犹豫会被误判为结束，机器容易抢话；设定长了，人已经讲完，它却还在等待，于是冷场。有研究表明，人一句话中间的停顿，平均比真正说完整句话后的停顿还要长。这意味着，无论把时长设成多少，都很难同时避免抢话和冷场。

在倪博溢看来，传统AI在对话上的短板，在于建模把语音对话简化成了文本对话。文本对话天然是你一句、我一句，不存在抢话和中途打断的情况，但真实交流远没有这么规整，穿插、打断、附和几乎无处不在。

人与人之所以能把对话接得自然，靠的是边听边预测。研究发现，两个人完成一次自然的对话轮换，中间的间隔通常只有约200毫秒，甚至可能是负的——一方还没说完，另一方已经接上了。这不是抢话，而是听话的人已经预判出，对方快要说完了。

这种预测，依赖的不只是内容本身，还包括语气、语调、语速、响度等声音里的信号。倪博溢举了个例子：一个人说话时声音越来越低、语速逐渐放慢，往往意味着一句话接近尾声；而刻意拖长尾音，则是在告诉对方：“我还没说完。”

因此，本届信也科技杯希望模型学会的，并不是判断一句话已经结束，而是提前一步预测对方接下来会继续说、准备让出话轮，还是只是想附和一声。

想让模型尽可能接近真人的互动状态，最核心的困难在于，对话既有规律可循，又充满随机性。规律来自内容本身。说了什么、一句话有没有接近结束，都可以从语义中推理。但人与人的互动，又很难完全预测。两个人心里在想什么，会不会突然打断、什么时候选择附和，往往就在一念之间。

“有可能我突然就想插嘴了，但也有可能我一下子又忍住了，我就没说。”倪博溢说。正因如此，打断、附和这类行为，很多时候并没有固定规律可循。这也意味着，这道题很难像传统分类任务那样拥有唯一正确答案。

倪博溢举了一个实际业务中的例子：评价一个机器人客服，很少有人会精确计算它是否早了200毫秒，或者晚了300毫秒才接话。更多时候，大家关注的是整体体验——它接话顺不顺、插话是否得体、该回应的时候有没有及时回应。聊完之后觉得自然、舒服，它就是一个好的机器人。

因此，这道题想让模型学会的，其实不只是预测。“我们更希望它成为一个会沟通、懂得社交、能‘social’的人。”倪博溢说。这意味着，模型不仅要预测什么时候该说话，还要理解自己在对话中的角色。例如客服需要耐心，让用户把话讲完；换一种身份，在合适的时候也需要适度打断，把该传达的信息及时传达出去。这里没有唯一正确的答案，只有在具体场景下更合适的选择。

把一个没有标准答案的问题设计成一道算法赛题，本身就是一件不容易的事。赛题的几处设计，体现了出题人对真实对话的理解。

首先是时间窗口。赛题提供了三十秒的对话音频作为上下文，要求选手预测未来两秒内会发生什么语音事件。倪博溢解释，关键不在于30秒这个数字，而是模型需要先“听”一段过去。“三十秒基本足够判断两个人的交互模式。”他说。谁更容易抢话，谁习惯附和，两个人聊天的节奏是否默契，这些都会逐渐显现。当交互模式建立起来后，再预测接下来两秒发生什么，就有了依据。

其次是事件分类。赛题要求选手判断五类语音事件：继续（continuation）、轮换（turn change）、短回应（back channel）、打断（interruption）和沉默（silence）。其中，轮换是整个任务的核心，因为它决定了机器什么时候应该接话。而短回应虽然在数据中的占比不到1%，赛题依然保留了这一类别。所谓短回应，就是一方说话时，另一方用“嗯”“对”等简单回应表示自己在听，却不会打断对方。倪博溢认为，这是目前行业普遍没有做好的能力。但如果机器能够在恰当的时候回应一句“嗯”，用户往往更愿意继续说下去，机器也能获得更多有效信息。

最后是数据集。本届比赛采用覆盖30多种方言的真实语音对话，这些对话大多来自日常交流场景，其中还包括客家话等难以准确转写成文字的方言。当文字难以提供可靠信息时，模型就必须更多依赖声音本身去判断轮次。语调、语速、响度等信息，不再只是语音的附属特征，而成为决定什么时候接话的重要依据。赛题希望选手关注的不只是语言内容，也包括声音本身所承载的交互信号。

信也对这道题的选择，来源于真实业务场景的沉淀。语音客服是公司深耕多年的方向，旗下智能机器人Blu支持中文、英文、西班牙语、印尼语和菲律宾语，已覆盖9个国家，每日服务量超500万次。如今，Blu已经具备多语种能力与拟人的音色，但如何让机器像真人一样把握对话节奏，仍然是智能交互中最难解决的问题之一。如果这道赛题能够取得突破，相关成果就有机会应用到真实业务中，让机器不仅听起来像人，也能更好地与人沟通。

它的价值也不止于一家公司的业务。对话轮次预测一直是学术界持续研究的重要课题，也是整个对话建模中尚未完全解决的问题。相比不断做大语言模型，把对话节奏单独作为一个能力来建模，不仅有助于推动相关研究，也让技术在工程落地时拥有更高的灵活性。

截至目前，第十一届届信也科技杯共吸引776名选手、553支队伍参赛，既有来自清华大学、北京大学、复旦大学等国内外高校的学生，也有来自腾讯、阿里、华为等科技企业的从业者。与往届相比，今年出现了不少单人组队的选手。大模型降低了个人参赛的门槛，也让“单兵作战”成为可能，但真正拉开差距的，依然是对问题本身的理解。

大多数参赛方案都采用了多模态思路，但倪博溢也期待看到更多不同的尝试。“我们并不希望大家只是用大模型去‘暴力破解’这道题，更希望选手们回到问题本身，从对话交互的原理出发去建模。”

目前，比赛已进入复赛阶段，将于7月20日公布晋级名单，晋级队伍将在7月底进行决赛现场答辩。优秀团队将有机会直通顶尖会议NLPCC2026，与全球AI学者面对面交流。