Full-Duplex-Bench-v3：现实世界不流畅情况下全双工语音代理的基准测试工具使用

我们引入了 Full-Duplex-Bench-v3 (FDB-v3)，这是一个在自然语音条件和多步骤工具使用下评估口语模型的基准。与之前的工作不同，我们的数据集完全由真实的人类音频组成，注释了五个不流畅类别，并与需要跨四个任务域进行链式 API 调用的场景配对。我们评估了六种模型配置——GPT-Realtime、Gemini Live 2.5、Gemini Live 3.1、Grok、Ultravox v0.7 和传统级联管道 (Whisper$\rightarrow$GPT-4o$\rightarrow$TTS)——涵盖准确性、延迟和轮流维度。 GPT-Realtime 在 Pass@1 (0.600) 和中断避免 (13.5%) 上领先； Gemini Live 3.1实现了最快的延迟（4.25~s）但最低的轮询率（78.0%）；级联基线尽管具有完美的轮流率，但会产生最高的延迟（10.12~s）。在所有系统中，困难场景下的自我纠正处理和多步推理仍然是最一致的故障模式。