X2-Turn：用于联合流式 ASR 和转弯状态预测的帧同步双头建模

准确且响应迅速的轮流对于语音对话系统至关重要，它必须实时区分用户中断、应忽略的反向渠道以及话语的完成。先前的模块化方法通常在话语或固定块级别优化转弯状态预测，从而与连续转弯状态估计不匹配，并且通常依赖于辅助 ASR 模型，这限制了响应能力并增加了整体系统的复杂性。因此，我们提出了 X2-Turn，一种通过延迟流建模的帧同步转向状态预测方法。具体来说，在预训练的 Voxtral Realtime 模型的基础上，我们引入了一个帧同步转动状态头，它与共享流表示上的 ASR 头并行操作，在帧级别联合预测 ASR 词元和细粒度转动状态。双语 EasyTurn 和 Full-Duplex-Bench 上的实验表明，该方法实现了转弯状态精度和决策延迟之间的有效权衡。