フルデュープレックス音声対話システムにおいて、ターンテイキングの自然性は中心的な課題であるにもかかわらず、その自動評価手法は限られている。既存の評価は人手による判断や特定の行動に依存したタイミング指標に頼ることが多く、異なる種類のタイミング故障を統一的な枠組みで比較することが難しかった。本論文は、二者間音声対話におけるターンテイキング自然性を自動評価するための尤度ベースの枠組み「TurnNat」を提案する。
TurnNatの核となるのは、自然な会話データで訓練された因果的ターンテイキング予測モデルである。このモデルは将来の2話者音声活動状態を推定し、実際に観測された将来活動の負の対数尤度（NLL）を計算する。このNLL値が、タイミングの非典型性、すなわち予測される自然な流れからの逸脱度を表す。評価を対話レベルに集約するため、TurnNatはまず発話の開始点と終了点からターンテイキング境界単位（TBU）を抽出し、フレーム単位のNLLをTBU上でプーリングする。その後、各TBUスコアの平均と裾の統計量を組み合わせて、対話全体の自然性スコアを算出する。
手法の有効性を検証するため、著者らは制御摂動ベンチマークを構築した。これは自然な対話クリップと、タイミングを摂動させたクリップをペアにしたもので、人手による自然性判断で検証されている。このベンチマークでの実験により、TurnNatが様々な異種のタイミング故障に起因する不自然なターンテイキングを的確に識別できることが示された。
本論文はHao Zhangら5名によるもので、2026年7月1日にarXivに投稿された。計算と言語（cs.CL）および人工知能（cs.AI）の分野にまたがる研究である。TurnNatの意義は、自動化可能な統一評価手段を提供し、多様なタイミング問題を同一の尺度で比較できるようにすることで、フルデュープレックス音声対話システムの開発と反復改善に定量的なフィードバックを与える点にある。