MultiDialog (v11)
Tight face crop; gaze is the leading cue.
タイトな顔クロップ。視線が主要な手がかり。
The model watching a conversation end. A single forward pass over a real
MultiDialog conversation. Top: ground-truth speaker activity. Second: the model's
per-frame P(yield) — its running belief that the current speaker is about to
hand over the floor — computed from audio plus the interlocutor's facial
coefficients. Bottom: the facial channels it relies on (gaze, mouth, head rotation).
Play with sound: the sharp ramps align with the actual hand-offs.
会話の終わりを「見ている」モデル。実際の MultiDialog の会話 1 本に対する
単一の forward pass。上段: 正解の話者アクティビティ。2 段目: モデルのフレームごとの
P(yield) — 「いま話している話者がまもなく発話権を譲る」というモデルの逐次的な確信度。
音声に加えて対話相手の顔係数から計算される。下段: モデルが依拠する顔チャネル
(視線・口・頭部回転)。音を出して再生すると、急峻な立ち上がりが実際の話者交代と一致する。
TL;DR — We feed a full-duplex spoken dialogue model (Moshi-style) a 12.5 Hz
facial-coefficient stream of its interlocutor. The face demonstrably carries
turn-taking signal, but the standard next-token audio objective ignores it
entirely. Adding one lightweight auxiliary turn-yield head makes the model use
it: +0.094 ROC-AUC on MultiDialog, replicated at +0.038 on Seamless
Interaction with an identical training budget. Cross-corpus attribution shows
head rotation is the only camera-robust facial cue — gaze and mouth
contributions flip with framing.
要約 — full-duplex 音声対話モデル(Moshi 系)に、対話相手の顔係数ストリーム
(12.5 Hz)を入力する。顔にはターンテイキングの信号が確かに含まれているが、標準的な
next-token 音声予測の目的関数はそれを完全に無視する。軽量な補助タスク
(turn-yield head)を 1 つ加えるだけでモデルは顔を使い始め、MultiDialog で
ROC-AUC +0.094、同一の学習予算の Seamless Interaction でも +0.038 と
再現された。コーパス横断の寄与分析では頭部回転だけがカメラ構図に頑健な顔手がかりであり、
視線と口の寄与は構図によって逆転する。
The three-step result3 段階の結果
1
The face carries the signal顔は信号を持っている
AUC 0.76
A simple logistic probe predicts upcoming turn-yield from 1-second windows of raw facial coefficients alone (shuffled-label control: 0.50). 単純なロジスティック回帰プローブが、生の顔係数の 1 秒窓だけから直後のターン譲渡を 予測できる(ラベルシャッフル対照: 0.50)。
2
A vanilla dialogue LM ignores it素の対話 LM はそれを無視する
Δ ≈ 0
Trained with next-token audio prediction only, zeroing the face input changes nothing — the LM routes the face into a subspace orthogonal to its audio predictions. next-token 音声予測のみで学習すると、顔入力をゼロにしても何も変わらない — LM は顔を音声予測と直交する部分空間へ押し込めてしまう。
3
One auxiliary head unlocks it補助 head 1 つで解放される
+0.094 AUC
A single BCE turn-yield head (predict floor hand-over ~1 s ahead) makes the same architecture exploit gaze, head rotation, and mouth. 95% CI [+0.089, +0.099]. BCE の turn-yield head(約 1 秒先の発話権譲渡を予測)を 1 つ足すだけで、同じ アーキテクチャが視線・頭部回転・口を活用するようになる。95% CI [+0.089, +0.099]。
Architectureアーキテクチャ
緑色の turn-yield head が本研究の介入のすべて — これが無いと顔入力はただの死荷重になる。
Face input improves turn prediction — on both corpora 顔入力はターン予測を改善する — 両コーパスで
Which facial cue? It depends on the camera — except head rotation どの顔手がかりが効くか?カメラ次第 — ただし頭部回転を除いて
| Group removed除外グループ | MultiDialog (v11) | Seamless (v12) | Reading解釈 |
|---|---|---|---|
| eye / gaze視線 | +0.042 (dominant)(支配的) | +0.004 (collapsed)(崩壊) | corpus-dependentコーパス依存 |
| head rotation頭部回転 | +0.026 | +0.032 (largest)(最大) | robust across corporaコーパス横断で頑健 |
| jaw / mouth口 | +0.007 | +0.028 | corpus-dependent (reverse)コーパス依存(逆方向) |
| brow眉 | +0.000 | +0.004 | noiseノイズ |
| head translation頭部並進 | +0.000 | 0.000 | zeroed by design設計によりゼロ化 |
A model trained and attributed on a single corpus would have shipped the claim "gaze drives turn-taking." The replication shows that claim is a property of the camera setup, not of conversation. We argue cross-corpus attribution should be the reporting standard for multimodal dialogue cues. 単一コーパスで学習・寄与分析していたら「ターンテイキングを駆動するのは視線」という主張を 出してしまうところだった。再現実験は、その主張が会話の性質ではなくカメラ設置の性質である ことを示している。マルチモーダル対話手がかりの報告は、コーパス横断の寄与分析を標準と すべきだと我々は主張する。
Watch it run動作デモ
Seamless Interaction (v12)
Full-body framing; head rotation takes over.
全身構図。頭部回転が主役に替わる。
Both are single forward passes of the trained checkpoints over held conversations — no cherry-picked generation, just the model's per-frame belief plotted against what actually happened. どちらも学習済みチェックポイントによる単一 forward pass。生成のチェリーピックではなく、 モデルのフレームごとの確信度を実際に起きたことと並べて描画しただけのものである。
A methodological warning about input ablation 入力 ablation についての方法論的警告
Our first attribution attempt zeroed input dimensions post-hoc at eval time. Because the face encoder normalizes across all 61 dims, partial zeroing pushes the input out of distribution and fabricates attribution: head translation — a constant per clip — appeared to carry a massive +0.278 AUC drop. Re-training with the same dims zeroed consistently at train and eval time removes the artifact (true translation contribution: 0.000) and the face effect itself grows 2.4×, from +0.039 to +0.094. Post-hoc input zeroing through a normalization layer is not a valid ablation. 最初の寄与分析では、評価時に入力次元を事後的にゼロ化していた。顔エンコーダは 61 次元全体で正規化するため、部分的なゼロ化は入力を分布外に押し出し、寄与を捏造する: クリップごとの定数にすぎない頭部並進が +0.278 という巨大な AUC 低下を持つように見えた。 同じ次元を学習時と評価時に一貫してゼロ化して再学習するとこのアーティファクトは消え (並進の真の寄与: 0.000)、顔の効果自体も +0.039 から +0.094 へと 2.4 倍に拡大した。 正規化層を通した事後的な入力ゼロ化は、有効な ablation ではない。
BibTeX
@article{anonymous2026face,
title = {Making Spoken Dialogue Models See the Face: An Explicit Turn-Taking
Objective Unlocks Visual Turn Cues That Next-Token Audio Prediction Ignores},
author = {Anonymous},
journal = {Under review},
year = {2026}
}