Driftstörningar
Det förekommer återkommande driftstörningar på några av sök-portalerna på grund av hög belastning. Vi arbetar på att lösa problemet, ni kan tillfälligt mötas av ett felmeddelande.
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Latency and turn-taking in Spoken Dialogue Systems: Evaluating Strategies for Natural Real-time Conversations with AI
Jönköping University, Tekniska Högskolan, JTH, Avdelningen för datateknik och informatik.
2026 (Engelska)Självständigt arbete på grundnivå (högskoleexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)
Abstract [en]

Spoken Dialogue System (SDS) utilize on a sequential processing pipelines that introduce compounding latency across Automatic Speech Recognition (ASR), Large Language Model (LLM), and Text-to-Speech (TTS) components, making natural real-time voice interactions difficult to achieve. This study evaluates how the choice of a LLM and turn-taking strategy affect the SDS latency when it is optimized for cold calling purposes. Together, four LLMs were tested under controlled conditions, which were GPT-4o-mini, GPT-5-Nano, Gemini-2.5-Flash-Lite, and GPT-5. Furthermore, three turn-taking strategies were also tested, specifically: Conservative, Rule-based, and Neural network. The results show that GPT-4o-mini produced the lowest and most consistent latency with a mean of 497.7 ms, while GPT-5 reached a mean of 1673.1 ms despite being a newer model and showing relatively consistent response times. For turn-taking, the Neural network strategy achieved the lowest mean Turn Latency at 2087 ms and notably reduced LLM Latency to 336 ms, partly attributed to AssemblyAI’s speaker classification output providing a cleaner conversational context to the language model. No component configuration successfully managed to bring down the end-to-end latency within the 200 ms threshold humans associate with natural conversation. This confirms that sequential pipeline architecture remains the primary structural bottleneck regardless of the performed component level optimization within the pipeline.

Ort, förlag, år, upplaga, sidor
2026. , s. 51
Nyckelord [en]
Spoken Dialogue Systems, Latency, Large Language Model, Turn-taking, Automatic Speech Recognition, Cold Calling, Real-time Voice AI, Sequential Pipeline, End-of-Turn Detection, System Responsiveness
Nationell ämneskategori
Datavetenskap (datalogi) Artificiell intelligens Programvaruteknik
Identifikatorer
URN: urn:nbn:se:hj:diva-73132OAI: oai:DiVA.org:hj-73132DiVA, id: diva2:2080868
Externt samarbete
Uplinx AB
Ämne / kurs
JTH, Datateknik
Handledare
Examinatorer
Tillgänglig från: 2026-08-13 Skapad: 2026-06-28 Senast uppdaterad: 2026-08-13Bibliografiskt granskad

Open Access i DiVA

fulltext(3210 kB)75 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 3210 kBChecksumma SHA-512
fdc73240494c77b687e7c1c2645d1bb901313afa3f31c8fdcb3e0b588cbb2dd5c3c65ba29edff576353a5472cfdd3e90dd0b823b7570cb4c50a1b465010e58f6
Typ fulltextMimetyp application/pdf

Av organisationen
JTH, Avdelningen för datateknik och informatik
Datavetenskap (datalogi)Artificiell intelligensProgramvaruteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 2977 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf