语言: English | 中文
⭐ 如果 TurnSense 对你有帮助，请给我们一个 Star！ 这将帮助我们持续改进模型与文档。
📖 目录
🏆 为什么选择 TurnSense
| 维度 | TurnSense 表现 |
|---|---|
| 🎯 准确率 | F1 **96.35%**（easyturn_real_test_ZH）— 同类最优 |
| ⚡ 推理延迟 | CPU p50 ≈ 54.65ms — 满足实时交互需求 |
| 📦 模型体积 | 仅 47M 参数，INT8 版本仅 ~50MB |
| 🧠 分类能力 | 业内首个同时支持 complete / incomplete / invalid 三分类 |
| 🚫 无效过滤 | 无效语义 F1 达 **94.34%**，有效抑制噪声误触发 |
| 🤗 开源友好 | 提供 FP32 / INT8 ONNX，开箱即用 |
📌 项目简介
TurnSense 是一个面向人机语音交互场景的 三分类语义判别模型，专注解决对话系统中一个核心问题：
用户说话过程中，系统应该立即响应，还是继续等待？
传统方案通常只做"是否结束"的二分类判断。TurnSense 更进一步 — 它同时建模语义完整度与无效输入识别，帮助系统在复杂真实场景下实现更自然的轮次衔接，大幅减少误打断、抢话和无效触发。
TurnSense 将用户输入划分为三种语义状态：
| 状态 | 含义 | 示例 |
|---|---|---|
| ✅ 完整语义 (complete) | 用户表达已形成完整意图，系统可以响应 | "帮我查一下明天上海天气。" |
| ⏳ 不完整语义 (incomplete) | 用户表达尚未完成，存在截断或停顿后续 | "我想问一下那个订单就是昨天……" |
| 🔇 无效语义 (invalid) | 输入不构成有效语义，不应触发响应 | "…（持续噪声 / 非语义发声）" |
这三类标签让系统不仅能判断 **"是否该接话"**，还能识别 **"是否值得接话"**，从而在语音助手、实时通话、智能客服等场景中显著提升交互自然度与系统稳定性。
✨ 核心特性
🧠 语义级三分类
同时建模 complete / incomplete / invalid 三种状态，比传统二分类更贴近真实对话行为，也是目前开源模型中唯一原生支持无效语义检测的方案。
⚡ 极致轻量，极速推理
仅 47M 参数（INT8 版本约 50MB），CPU 环境下推理延迟 p50 ≈ 54.65ms、p90 ≈ 58.00ms — 无需 GPU 即可满足实时交互的严苛要求。
🎯 精度领先
在 easyturn_real_test_ZH（300 条）上取得 **F1 96.35%**（complete）和 **F1 96.32%**（incomplete），在 semantic_test_ZH（2000 条）上取得 **F1 92.30%**（complete）和 **F1 91.62%**（incomplete），均为同类最优或次优水平。
🚫 无效输入过滤
在 NonverbalVocalization 测试集上，无效语义识别的 precision 达 **100%**、recall 达 **90.37%**（F1 = 94.34%），有效抑制非语义发声和噪声带来的误触发。
⚖️ 更稳健的轮次决策
在语义模糊、停顿或口语化表达场景下，兼顾 precision 与 recall，减少过早响应和漏响应。
📊 可复现评测体系
配套完整评测流程与脚本，支持统一指标对比、性能回归分析，确保实验可复现。
🤗 开源友好，即插即用
标准化仓库结构，提供 FP32 / INT8 ONNX 模型，从安装到推理只需几分钟。
📐 模型参数量对比
| 模型 | 参数量 | 三分类 | 链接 |
|---|---|---|---|
| TEN-Turn | 7B（70 亿） | ❌ | TEN-framework/TEN_Turn_Detection |
| Easy-Turn | 850M | ❌ | ASLP-lab/Easy-Turn |
| NAMO-Turn-Detector (ZH) | 66M | ❌ | videosdk-live/Namo-Turn-Detector-v1-Multilingual |
| ⭐ TurnSense | 47M | ✅ | Baiji-Team/TurnSense |
| Smart-Turn-v3 | 8M | ❌ | pipecat-ai/smart-turn-v3 |
| FireRedChat-turn-detector | -- | ❌ | FireRedTeam/FireRedChat-turn-detector |
💡 TurnSense 以仅 47M 的参数量实现了三分类能力，在精度与体积之间取得了最优平衡。
📊 基准测试结果
以下所有结果均基于开源中文评测集。延迟标注
(GPU)表示 GPU 环境评测，未标注则为 CPU 环境。
📋 easyturn_real_test_ZH（300 条）
数据来源：Easy-Turn-Testset 真实数据样本
| 模型 | P (complete) | R (complete) | F1 (complete) | P (incomplete) | R (incomplete) | F1 (incomplete) | p50 延迟 | p90 延迟 |
|---|---|---|---|---|---|---|---|---|
| Easy-Turn | 97.26% | 94.67% | 95.95% | 94.81% | 97.33% | 96.05% | 183.87 (GPU) | 300.37 (GPU) |
| Smart-Turn-v3 | 64.97% | 76.67% | 70.34% | 71.54% | 58.67% | 64.47% | 36.84 | 39.10 |
| TEN-Turn | 99.25% | 88.00% | 93.29% | 89.22% | 99.33% | 94.01% | 17.66 (GPU) | 19.41 (GPU) |
| FireRedChat | 70.65% | 94.67% | 80.91% | 91.92% | 60.67% | 73.09% | 98.30 | 99.42 |
| NAMO-Turn | 81.53% | 85.33% | 83.39% | 84.62% | 80.67% | 82.59% | 3.60 | 83.44 |
| ⭐ TurnSense | 96.03% | 96.67% | 🏆 96.35% | 96.64% | 96.00% | 🏆 96.32% | 54.65 | 58.00 |
🔍 关键发现： TurnSense 在 complete 和 incomplete 两类上均取得 最高 F1，且是唯一在 CPU 上 p50 < 60ms 同时 F1 > 96% 的模型。
📋 semantic_test_ZH（2000 条）
数据来源：KE-Team/SemanticVAD-Dataset 中文测试集
| 模型 | P (complete) | R (complete) | F1 (complete) | P (incomplete) | R (incomplete) | F1 (incomplete) | p50 延迟 | p90 延迟 |
|---|---|---|---|---|---|---|---|---|
| Easy-Turn | 78.14% | 98.30% | 87.07% | 97.64% | 70.30% | 81.74% | 183.87 (GPU) | 300.37 (GPU) |
| Smart-Turn-v3 | 59.25% | 88.10% | 70.85% | 76.80% | 39.40% | 52.08% | 36.84 | 39.10 |
| TEN-Turn | 85.25% | 99.60% | 91.87% | 99.52% | 82.70% | 90.33% | 17.66 (GPU) | 19.41 (GPU) |
| FireRedChat | 66.76% | 99.40% | 79.87% | 98.83% | 50.50% | 66.84% | 98.30 | 99.42 |
| NAMO-Turn | 71.48% | 86.70% | 78.36% | 83.10% | 65.40% | 73.20% | 3.60 | 83.44 |
| ⭐ TurnSense | 88.96% | 95.90% | 🏆 92.30% | 95.55% | 88.00% | 🏆 91.62% | 54.65 | 58.00 |
🔍 关键发现： 在 2000 条的大规模测试集上，TurnSense 依然保持 F1 最优，验证了模型的泛化能力。
📋 NonverbalVocalization_invalid（728 条）
数据来源：OpenSLR Deeply Nonverbal Vocalization Dataset（SLR99）
| 模型 | P (invalid) | R (invalid) | F1 (invalid) |
|---|---|---|---|
| ⭐ TurnSense | 100.00% | 90.37% | 🏆 94.34% |
🔍 关键发现： 目前仅 TurnSense 支持无效语义判别。precision 达到 100% 意味着零误报，有效防止噪声触发系统响应。
🚀 快速开始
1. 安装
git clone https://github.com/Bairong-Xdynamics/TurnSense.git
cd TurnSense
pip install -U numpy onnxruntime torch librosa soundfile pandas scikit-learn huggingface_hub
2. 获取模型权重
TurnSense 模型权重已发布在 Hugging Face：Baiji-Team/TurnSense
| 版本 | 体积 | 适用场景 |
|---|---|---|
| FP32 | ~191 MB | 精度优先 |
| INT8 | ~50 MB | 部署优先（推荐） |
下载方式：
方式一：自动下载（推荐） 推理脚本内置了 Hugging Face 下载逻辑，首次运行时会自动拉取并缓存模型。
方式二：Git LFS
git lfs install
git clone https://huggingface.co/brgroup/TurnSense
方式三：Hugging Face Hub
from huggingface_hub import snapshot_download
snapshot_download(repo_id="brgroup/TurnSense")
3. 推理
python infer.py
示例输出：
Loading model from brgroup/TurnSense...
Running inference on: "我想问一下那个订单就是昨天..."
Results:
Input: "我想问一下那个订单就是昨天..."
TurnSense Detection Result: "incomplete"
🧪 评测说明
1）评测流程
- 读取
.jsonl格式的测试数据集 - 每个模型先进行预热（默认
warmup_iters=20） - 逐样本推理，统计分类指标与性能指标
- 自动输出汇总与明细文件
输出文件包括：
| 文件 | 说明 |
|---|---|
report.md |
汇总评测报告 |
results.json |
结构化评测结果 |
config.json |
本次评测配置 |
per_sample__*.jsonl |
逐条样本预测结果 |
2）数据格式要求（JSONL）
每一行是一个 JSON 对象，至少包含以下字段：
| 字段 | 说明 |
|---|---|
audio_path |
音频文件路径 |
text |
文本内容 |
label |
标签（complete / incomplete / invalid） |
示例：
{"audio_path":"/001.wav","text":"帮我查一下明天上海天气","label":"complete"}
{"audio_path":"/002.wav","text":"我想问一下那个订单就是昨天...","label":"incomplete"}
{"audio_path":"/003.wav","text":"啊…嗯…（持续噪声）","label":"invalid"}
3）运行评测
python TurnSense/Turn_benchmark/benchmark.py
📚 引用
如果你在研究或产品中使用了 TurnSense，请引用：
@misc{turnsense2026,
author = {Baiji Team},
title = {TurnSense: A Three-Class Semantic Detection Model for Complete, Incomplete, and Invalid Utterances},
year = {2026},
publisher = {Hugging Face},
howpublished = {\url{https://huggingface.co/brgroup/TurnSense}},
}
❓ 问题与交流
如果有问题或改进建议，欢迎通过以下方式联系我们：
| 渠道 | 联系方式 |
|---|---|
| 📧 邮箱 | huan.shen@brgroup.com ・ yingao.wang@brgroup.com ・ wei.zou@brgroup.com |
| 💬 微信 | h2538406363 |
| 👥 微信群聊 | 扫码加入群聊 |
| 🐛 Issues | GitHub Issues |
| 🔀 PR | Pull Requests |
📄 许可证
本项目基于 Apache License 2.0 发布，并附加特定限制条件。详情请参见 LICENSE。
由 Baiji Team 用 ❤️ 打造