本文首次研究了通用轮流交谈模型在机器人与人类对话互动中的应用，旨在弥补现有系统在自然对话中的不足。通过无领域特定微调的自监督学习，提出了一种新方法，结合TurnGPT和语音活动投影来优化对话动态。实验结果表明，参与者更倾向于使用该系统，同时显著减少了反应延迟和打断现象。

该文综述多项音频与语音AI研究，包括LLM-TSE将文本线索用于目标说话人提取、声音引导图像编辑、SoundFilter声音分离、流利语音编辑、语言模型声音事件检测、EditSpeech语音编辑、VoiceLDM文本到音频生成、SAMLM混合编码处理、CoEdIT文本编辑及Foley声音生成系统。

本文研究了同时语音翻译的输出窗口大小、系统延迟以及重写程度对读者可读性和理解度的影响。实验结果表明，字幕布局或闪烁对理解度的影响较小，对源语言知识有限的用户与零知识用户的稳定性和延迟方面具有不同的偏好。