Una persona empieza a dictar una instrucción, se detiene para recordar un nombre y el asistente responde antes de que termine. Aunque la respuesta sea gramatical y se ajuste al fragmento recibido, interrumpe la actividad. En otra ocasión, la persona formula una pregunta completa y espera mientras el sistema permanece en silencio. Ambos episodios muestran que conversar obliga a decidir cuándo intervenir además de qué decir, porque el momento de una contribución forma parte de su adecuación.
La toma de turnos organiza las oportunidades de hablar, continuar, responder e interrumpir. Entre personas se apoya en recursos lingüísticos, prosódicos, visuales y situacionales. Un agente conversacional debe implementar procedimientos que interpreten algunas de esas señales y coordinen reconocimiento, generación y acción. Su diseño puede reproducir ciertas regularidades de la conversación o establecer convenciones propias, como pulsar un botón para enviar un mensaje.
Esta lectura trata esa coordinación como un problema lingüístico, computacional e interaccional. Tras distinguir la detección de actividad vocal, el reconocimiento de posibles cierres y la decisión de intervenir, examina las diferencias entre voz y texto, la diversidad de ritmos entre hablantes y la evaluación de las interrupciones. El propósito es diseñar intercambios en los que las personas puedan completar sus contribuciones, corregir al sistema y reconocer cuándo les corresponde continuar.
El turno como logro organizado
Un turno no coincide necesariamente con una oración gramatical. Puede contener varias unidades, reducirse a una palabra o completarse con ayuda de otra persona. Sus límites los marca lo que los participantes reconocen como una contribución posible dentro de la actividad, de modo que contar frases o buscar puntos en una transcripción es insuficiente para describir la organización temporal del intercambio. Sacks, Schegloff y Jefferson (1974) formularon un modelo de organización local de los turnos que relaciona las unidades de construcción, los lugares de posible transición y los procedimientos para seleccionar al siguiente hablante. Mostraron que la alternancia se organiza mediante prácticas reconocibles, sin necesidad de un reparto completamente fijado de antemano. Sus conceptos son útiles para estudiar agentes, aunque no deben trasladarse como una especificación técnica idéntica para toda interfaz.
Con un asistente, el diseño puede restringir la posibilidad de intervenir. El botón de enviar marca un límite explícito. Un sistema de voz tiene que inferirlo de la señal. La edición de mensajes modifica además, retrospectivamente, la contribución disponible. Estas condiciones producen organizaciones distintas, que el análisis debe describir antes de comparar su naturalidad o su fluidez. No hay una estructura de turnos única que todas las tecnologías deban imitar del mismo modo.
El criterio funcional es si la organización permite realizar la actividad. En una conversación exploratoria pueden tolerarse continuaciones y reformulaciones frecuentes. Un dictado, en cambio, requiere conservar fragmentos extensos sin tomar cada pausa como cesión del turno. Cuando se dan instrucciones sobre objetos en movimiento, quizá hagan falta respuestas rápidas y breves. La misma política de turnos puede ser adecuada en una tarea e intrusiva en otra aunque el reconocimiento de palabras sea idéntico en ambas.
Proyectar un cierre posible
Las personas pueden anticipar que una contribución se acerca a un punto donde otra podría empezar. Esa proyección se vale de la estructura sintáctica, la acción en curso, la entonación y el contexto, entre otros recursos. No supone adivinar con exactitud la última palabra, pero permite preparar una respuesta mientras la intervención se desarrolla y ajustarla ante señales nuevas. La coordinación descansa en anticipar y revisar, además de reaccionar a un silencio ya consumado.
Una expresión como «hay dos cosas que cambiar: primero…» proyecta una continuación. Si el hablante se detiene después del primer punto, la organización de la lista puede indicar que aún falta el otro. Una respuesta breve como «mañana», en cambio, puede completar una pregunta temporal. Ambos fragmentos pueden durar lo mismo y cumplir funciones distintas, por lo que un detector basado solo en la longitud o el silencio pierde la relación entre forma lingüística y actividad proyectada. También el contexto puede modificar la interpretación. «Sí» puede aceptar una propuesta y cerrar una secuencia, o bien abrir una respuesta extensa del tipo «sí, pero necesito revisar…». El sistema tiene que mantener hipótesis sobre la continuidad y tratar algunas señales como provisionales. Una decisión demasiado temprana puede cortar una condición importante. Esperar siempre una pausa muy larga reduce ese riesgo, aunque vuelve lenta la interacción y puede provocar nuevas intervenciones del usuario.
El problema se plantea, por tanto, como una decisión bajo incertidumbre. El sistema combina señales y sopesa los costos de hablar antes o después mediante una política que debería ajustarse al tipo de contribución y a las posibilidades de reparación. Si una respuesta puede detenerse fácilmente ante una corrección, algunas decisiones tempranas resultan menos costosas. Un sistema que ejecuta acciones externas de inmediato necesita, en cambio, criterios más estrictos para dar por completa una instrucción.
Silencio, pausa y ausencia de respuesta
El silencio acústico no tiene una función única y recibe su sentido de la secuencia en que aparece. Puede ser una pausa dentro de un turno, un intervalo entre intervenciones, una espera mientras se realiza una acción o la señal de que nadie toma la palabra. Después de una pregunta, la falta de respuesta puede adquirir relevancia; durante un dictado, una pausa puede ser parte normal de la producción. Un sistema que trata todos esos intervalos del mismo modo organiza mal la actividad.
Stivers y colaboradores (2009) compararon secuencias de pregunta y respuesta en distintas lenguas y documentaron regularidades junto con variación temporal. El estudio ayuda a evitar dos simplificaciones, la que imagina conversaciones sin organización temporal compartida y la que impone un ritmo idéntico a toda comunidad y situación. Para el diseño de agentes, la consecuencia es estudiar las actividades y las poblaciones a las que se destina el sistema antes de fijar umbrales de intervención, sin elevar un promedio experimental a norma universal.
El silencio del sistema también comunica, ya que puede leerse como procesamiento, fallo, duda o falta de recepción. Una señal de estado puede aclarar la situación, siempre que estorbe menos que el problema que intenta resolver. En pantalla puede bastar un indicador visual. Las interfaces de voz quizá necesiten una señal breve cuando la demora impide saber si la petición llegó.
Las pausas requieren además opciones de control. Mantener pulsado un botón, decir «todavía no termino» o activar un modo de dictado pueden reducir errores. Estas convenciones no son necesariamente menos válidas que una inferencia automática sofisticada y dan recursos explícitos cuando el contexto dificulta interpretar las señales. Es posible combinar anticipación automática y controles claros para que la persona recupere el turno sin luchar contra el sistema.
Detección vocal y decisión conversacional
La detección de actividad vocal identifica los segmentos donde probablemente hay habla. Se usa para iniciar el procesamiento, reducir ruido y localizar intervalos, pero, sin otras señales, no determina si una persona terminó su contribución. El final de la señal puede ser una simple pausa. Ciertas vocalizaciones breves son continuadores y hay ruidos que el detector confunde con voz. La política de turnos tiene que interpretar esos eventos dentro de un modelo de la interacción. El reconocimiento automático del habla añade información léxica, aunque sus hipótesis pueden cambiar. Un fragmento transcrito al principio como afirmación puede convertirse en pregunta o incorporar una negación al completarse. Si el gestor de diálogo actúa sobre versiones provisionales sin atender a su estabilidad, puede responder a una intervención que el usuario nunca terminó de formular. Hay que tratar por separado las señales parciales, las hipótesis estabilizadas y las decisiones que autorizan acciones.
La arquitectura debería registrar tiempos y estados para que el reconocimiento pueda avanzar en paralelo con la interpretación y la generación sin perder la posibilidad de revisar resultados. Preparar una respuesta no obliga a emitirla de inmediato. Una aplicación que anticipa contenido y espera una señal de cierre puede reducir la latencia sin convertir cada predicción parcial en una contribución pública o en una acción sobre el entorno.
Los errores deben clasificarse por etapa. Detrás de una interrupción puede haber un detector que no reconoció una voz baja, un gestor de diálogo que tomó una pausa por cierre o una síntesis que no se detuvo ante una corrección. Corregir solo el modelo lingüístico quizá deje intacto el problema. Con un análisis del sistema completo se puede localizar dónde se perdió la información temporal y qué componente hay que cambiar para que el usuario conserve el control.
Prosodia y señales de continuación
La prosodia contribuye a proyectar continuidad o cierre mediante entonación, ritmo y prominencia. Su función varía de una lengua a otra y depende además de la construcción y de la actividad. Hay cierres acompañados de un descenso tonal, aunque esa asociación no vale como regla general. Tampoco una sílaba prolongada significa siempre vacilación. La interpretación tiene que combinar señales y admitir que una misma propiedad acústica puede intervenir en funciones distintas.
Ekstedt y Skantze (2022b) investigaron el papel de la información prosódica en modelos de proyección de actividad vocal mediante manipulaciones de la señal. Su trabajo ejemplifica cómo averiguar si un sistema aprovecha recursos acústicos relevantes para predecir turnos, una pregunta que una puntuación global deja sin responder. Para saber si otro sistema que recibe audio integra bien la prosodia habría que someterlo a pruebas semejantes. Un experimento útil podría comparar realizaciones de una misma secuencia verbal con continuaciones diferentes, siempre que las grabaciones sean naturales y la interpretación esté validada. Así se examina información que una transcripción elimina. Hacen falta además casos en que el contenido léxico basta y otros en que las señales entran en tensión, para distinguir entre una dependencia real de la prosodia y el uso de pistas más simples que coinciden accidentalmente con ella.
La generación de voz enfrenta el mismo problema desde el lado del sistema. A veces la voz sintetizada sugiere un cierre antes de presentar una condición importante o conserva una entonación de continuación cuando la respuesta ya terminó. Como esas señales influyen en cuándo el usuario intenta hablar, la producción de voz tiene que tratar la organización temporal como parte de la respuesta, junto con el contenido, la pronunciación y la posibilidad de ser interrumpida. Una evaluación limitada a la inteligibilidad deja fuera esa coordinación.
Modelos de proyección de actividad
Una estrategia computacional consiste en predecir la actividad vocal próxima de los participantes. Ekstedt y Skantze (2022a) propusieron Voice Activity Projection (proyección de actividad vocal), un objetivo autosupervisado para aprender dinámicas de continuadores y de cambio de turno a partir de regularidades temporales de las conversaciones, sin depender de etiquetas manuales específicas para cada evento interaccional. La predicción es un componente que todavía hay que conectar con las decisiones de diálogo y con la evaluación en uso.
Un predictor de este tipo puede expresar probabilidades sobre quién hablará en intervalos futuros. Para convertirlas en acción hace falta una política que elija entre seguir escuchando, emitir una señal breve o responder. Con predicciones parecidas, dos aplicaciones pueden comportarse de manera distinta si asignan costos diferentes a una interrupción. Por tanto, evaluar el predictor y evaluar la política son tareas relacionadas, aunque distintas.
Los datos de entrenamiento condicionan lo aprendido. Las conversaciones entre dos personas grabadas en un estudio pueden diferir de las interacciones con una máquina, en las que los usuarios adaptan su ritmo al dispositivo. Las señales cambian también si solo se registra un canal o si las voces se mezclan. La transferencia debe comprobarse en condiciones relevantes, porque el modelo puede aprender regularidades del corpus que no corresponden a oportunidades útiles de intervención en la aplicación final.
Las predicciones tampoco deben convertirse en atribuciones de intención. Estimar que alguien probablemente seguirá hablando es distinto de conocer su decisión consciente. El valor del modelo está en mejorar la coordinación bajo incertidumbre. Su integración debería admitir correcciones y cambios de política cuando aparecen señales nuevas, para que ninguna estimación se convierta en una conclusión irrevocable.
Continuadores, confirmaciones y toma del turno
Expresiones breves como «ajá», «sí» o «entiendo» pueden mostrar seguimiento sin reclamar un turno extenso, según el lugar que ocupan en la secuencia, su prosodia y el contexto.
Un agente tiene que atender a la acción que realiza cada una de esas contribuciones. Si interpreta cualquier sonido del usuario como el inicio de una nueva petición, puede detenerse sin necesidad. El error contrario, ignorar todas las intervenciones breves, puede hacer que el agente pase por alto una corrección o una solicitud de parar.
Los continuadores del sistema pueden facilitar una narración, aunque también pueden molestar si aparecen de forma mecánica. Un «entiendo» repetido durante una explicación puede sugerir una comprensión que nadie ha comprobado. La interfaz debería separar los continuadores de la confirmación del contenido, para que el usuario no tome un «entiendo» como prueba de que todos los datos quedaron bien registrados.
Consideremos un dictado de nombres y fechas. Allí un «sí» puede indicar que la persona continúa, confirmar una transcripción o responder a una pregunta incidental. Si el sistema asigna siempre el mismo significado a la palabra, puede alterar el registro. Las pruebas deberían incluir esas posiciones y observar las acciones posteriores, ya que reconocer «sí» con exactitud léxica deja sin resolver su función pragmática, que es la que determina qué debe hacer la aplicación.
Los evaluadores humanos pueden ayudar a identificar los momentos apropiados para los continuadores, aunque sus juicios no siempre coinciden. Es útil observar las preferencias y los efectos de cada señal, por ejemplo si la persona conserva el turno, si cambia su ritmo o si repite información. Una señal percibida como amable puede aumentar las interrupciones y otra más discreta coordinar mejor sin llamar la atención. El criterio ha de referirse a cada actividad, sin suponer que multiplicar las respuestas sociales mejora siempre la coordinación.
Interrupción y recuperación del control
Interrumpir puede cumplir funciones legítimas, como corregir un dato, detener una acción, pedir una aclaración o cambiar de objetivo. Un agente conversacional tiene que dar una vía eficaz para hacerlo. La posibilidad de hablar mientras el sistema produce voz, llamada habitualmente barge-in, exige detectar la intervención y decidir cómo afecta al contenido y a las acciones en curso, porque detener el sonido resuelve solo una parte del problema. Si el usuario dice «espera, era el otro archivo» mientras el sistema lee una respuesta, este tiene que revisar la referencia y quizá cancelar operaciones pendientes. Seguir ejecutando mientras se silencia la voz daría una falsa impresión de control. La interrupción debe propagarse a los componentes afectados. El diseño ha de distinguir acciones ya realizadas, operaciones cancelables y pasos aún no iniciados, diferencias que deben comunicarse cuando afectan al resultado.
También hay falsos inicios. Un ruido o una vocalización no dirigida al sistema pueden detenerlo. Si cada interrupción obliga a repetir la respuesta desde el principio, la interacción se encarece. Con otra política, el sistema podría detenerse brevemente, conservar el punto alcanzado y continuar cuando corresponda. Al retomar, debe estimar qué parte escuchó probablemente la persona, sin suponer que todo lo generado fue recibido, ya que el estado de producción y el de comprensión son distintos.
Las pruebas deberían incluir interrupciones antes de una acción, durante el procesamiento y después de un resultado, con correcciones de distinta claridad y longitud, para comprobar si la persona controla la actividad con independencia de que conozca una palabra de cancelación. Aun así, un mecanismo explícito y accesible para detener el sistema puede complementar la interpretación automática cuando esta es incierta.
Latencia y planificación de respuestas
Levinson y Torreira (2015) analizaron las exigencias temporales de la toma de turnos y sus implicaciones para los modelos de procesamiento del lenguaje. Su trabajo relaciona la preparación de respuestas con la comprensión de intervenciones en curso. En ingeniería conversacional, la pregunta equivalente es cómo adelantar trabajo sin emitir una respuesta prematura. La comparación con las personas orienta las preguntas sobre coordinación, aunque el sistema no tiene por qué implementar los mismos mecanismos cognitivos.
La latencia total puede incluir detección del cierre, reconocimiento, consulta de herramientas, generación y síntesis. Optimizar una etapa puede no traducirse en una mejora percibida si otra domina el tiempo. Una respuesta rápida, además, puede ser inadecuada si llega antes de una autocorrección. La evaluación debe separar el retraso técnico de la oportunidad interaccional. El objetivo es intervenir en un momento adecuado, que no siempre coincide con el intervalo más corto.
La generación incremental permite empezar antes de disponer de la respuesta completa. Puede mejorar la fluidez, pero obliga a planificar dependencias. Si el sistema afirma algo categóricamente y luego obtiene evidencia contraria, tendrá que reparar una contribución ya emitida. En tareas documentales quizá sea preferible esperar los resultados principales antes de hablar; en otras, una señal de recepción o una breve explicación del proceso puede mantener la continuidad sin anticipar conclusiones.
Las demoras deben comunicarse de manera proporcionada. Repetir mensajes de espera puede ocupar el canal y dificultar que el usuario intervenga. Pueden bastar una indicación inicial y un estado accesible, con otra actualización si cambia la duración prevista o surge un problema. Por respeto a la atención y al control del usuario, el sistema no debería llenar cada silencio con lenguaje solo para parecer activo.
Turnos en interfaces textuales
En un chat, el envío marca una frontera explícita sin eliminar la organización temporal. Quien escribe puede dividir una instrucción en varios mensajes, corregirla de inmediato o seguir escribiendo mientras el sistema responde. Si la aplicación trata cada envío como una tarea completa e independiente, puede actuar antes de recibir una condición importante. Hace falta una política para integrar mensajes cercanos y admitir correcciones durante la generación.
Los turnos textuales implican versiones y estados, además de la alternancia de burbujas en pantalla. La edición de un mensaje, por ejemplo, altera a veces la base de las respuestas posteriores, por lo que la interfaz debe indicar si el sistema reprocesará la conversación, conservará resultados o abrirá una rama nueva. Sin esa claridad, el usuario puede creer que una corrección alcanzó acciones ya ocurridas.
La manera de presentar la actividad del sistema influye también en cuándo interviene el usuario. Ver que el sistema está generando puede llevar a esperar, mientras que una respuesta parcial puede motivar una corrección inmediata. Si la aplicación no recibe esa corrección hasta terminar, la apariencia de simultaneidad que crean los indicadores de escritura y las respuestas progresivas resulta engañosa. La interacción debe dejar claro cuándo una nueva intervención puede modificar el trabajo en curso y cuándo solo iniciará una operación posterior. La segmentación visual afecta asimismo a la lectura y a la respuesta. En un bloque muy extenso puede costar identificar qué parte requiere una decisión. En el extremo opuesto, una secuencia de mensajes breves puede generar demasiadas interrupciones. El formato debería seguir la estructura de la actividad, de manera que las alternativas entre las que hay que elegir aparezcan juntas y un proceso prolongado se acompañe de actualizaciones espaciadas que no fragmenten la conversación.
Más de dos participantes
En una conversación de grupo es más difícil decidir quién puede hablar y a quién se dirige cada intervención. Un asistente integrado en una reunión debe distinguir las peticiones dirigidas a él de los comentarios entre personas. Su nombre, una selección explícita o una convención de activación pueden ayudar, aunque el nombre puede aparecer citado sin intención de invocarlo. La identificación del destinatario requiere contexto y ha de dejar al sistema la posibilidad de abstenerse de intervenciones no solicitadas.
Hay además situaciones en que el sistema altera la distribución de la participación, como cuando una respuesta larga desplaza a quienes querían intervenir o una síntesis cierra prematuramente un desacuerdo. También la autoridad atribuida al asistente y la forma en que presenta sus conclusiones pueden influir en qué contribuciones reciben atención. La evaluación del uso en grupo debería observar secuencias y decisiones, además de la satisfacción individual con respuestas aisladas.
Las señales visuales pueden ayudar a asignar turnos, pero su disponibilidad varía. En una reunión remota puede haber cámaras apagadas, retrasos o participantes fuera del encuadre. Un sistema no debería tomar la ausencia de mirada o de movimiento por falta de intención de hablar. En esas condiciones pueden resultar útiles los mecanismos explícitos para pedir la palabra.
Cabe limitar la intervención automática a momentos definidos, como una pausa acordada o una petición directa, con lo que quizá mejore la coordinación a costa de cierta espontaneidad. No todo servicio necesita participar como un interlocutor humano más. El diseño debe decidir qué función cumple el agente y qué oportunidades de palabra son compatibles con ella. Un asistente que toma notas, otro que modera y otro que responde consultas requieren políticas distintas.
Evaluación de la coordinación temporal
La evaluación puede medir la detección de cierres, las interrupciones prematuras, los retrasos y el reconocimiento de continuadores, siempre que esos eventos tengan definiciones y anotaciones consistentes. Una pausa larga no es automáticamente un cierre omitido, ni todo solapamiento es una interrupción problemática. El protocolo tiene que relacionar las señales con las acciones y el contexto; de lo contrario, puede premiar una política que mejora una métrica temporal y empeora la coordinación real. Las marcas temporales necesitan además una referencia común. Medir desde el último sonido detectado y medir desde el cierre que reconocen los anotadores dan intervalos distintos, del mismo modo que el inicio de la generación interna no coincide con el primer sonido audible. Un informe debería especificar esos puntos y separar, cuando la pregunta lo requiera, los retrasos de transmisión, procesamiento y reproducción. Sin esa precisión, dos sistemas pueden parecer comparables aunque sus cifras describan intervalos diferentes, con consecuencias distintas para quienes conversan.
Conviene medir también las consecuencias para la tarea, como repeticiones necesarias, datos perdidos, correcciones aceptadas y acciones canceladas correctamente. Entre dos sistemas, quizá el que interrumpe menos obligue a esperar demasiado y el más rápido necesite más reparaciones, una disyuntiva que la comparación tiene que hacer visible. Las preferencias de los usuarios aportan información, pero deben examinarse junto con los resultados observables y las diferencias entre actividades. Cuando corresponda, los datos de desarrollo y de prueba deberían separarse por hablantes o conversaciones y representar los dispositivos, el ruido y los estilos pertinentes. Una política ajustada a un grupo pequeño puede parecer excelente y fallar ante ritmos distintos. Las estimaciones necesitan medidas de incertidumbre y análisis de casos, sobre todo cuando los errores graves son raros, ya que una muestra reducida sin fallos dice poco sobre la capacidad del sistema para coordinar cualquier conversación.
Pruebas en vivo y análisis de episodios
Las pruebas en vivo complementan las evaluaciones sobre grabaciones. En una interacción real, las personas adaptan su conducta a las respuestas del sistema. Hablan más despacio, acortan las pausas o esperan señales. Esa adaptación puede ocultar dificultades si solo se mide el éxito final, aunque también puede crear convenciones útiles. Observar los cambios de estrategia permite valorar cuánto trabajo de coordinación recae sobre el usuario y si la interfaz lo facilita o lo exige sin necesidad.
La revisión de episodios en los que la métrica y la experiencia divergen puede completar el análisis. Puede ocurrir que una respuesta técnicamente rápida llegue cuando la persona ya retomó su explicación, o que otra algo más lenta resulte oportuna porque permite una autocorrección. Estos casos ayudan a afinar el criterio de éxito, ya que la oportunidad de una intervención se relaciona con el desarrollo de las acciones y no únicamente con la duración entre eventos acústicos.
Ritmos diversos y adaptación
Las personas difieren en velocidad, duración de las pausas y forma de organizar un relato. Una misma persona varía además con el cansancio, la familiaridad con la tarea o la necesidad de consultar materiales. Un sistema que interpreta toda pausa prolongada como cesión puede obligar a acelerar artificialmente el habla. La adaptación debería permitir completar las contribuciones sin imponer el ritmo dominante como norma. Las necesidades de adaptación se estudian en usos concretos, sin inferir características personales a partir de una sola señal temporal.
Las preferencias explícitas pueden ayudar. Un modo de dictado, una indicación de que la persona necesita tiempo o un control para mantener el turno dan información directa. Con prudencia, el sistema puede aprender ajustes locales, aunque debería dejar que la persona los revise. Una pausa larga en una tarea es un indicio débil de una preferencia permanente. La adaptación ha de distinguir condiciones momentáneas de patrones estables y conservar vías simples para cambiar el comportamiento.
El objetivo no es reproducir una conversación humana idealizada. Algunas personas prefieren una interfaz con fronteras claras y otras valoran una coordinación más continua. Ambas opciones pueden ser adecuadas según la actividad y las condiciones de acceso. La calidad se juzga por el resultado de la tarea y por el grado en que el usuario comprende el intercambio y conserva el control sobre él. Una naturalidad aparente que obliga al usuario a acomodarse constantemente al sistema puede ser menos útil que una convención explícita que se puede prever y corregir con facilidad.
Caso de estudio sobre una corrección antes del envío
Imaginemos una conversación de voz en la que la persona pide preparar un mensaje y, tras una pausa, añade una condición sobre el destinatario. El asistente debería mantener la preparación separada del envío y dejar que la persona complete la instrucción. Si empieza a leer el borrador y recibe una corrección, tiene que detener la voz, actualizar la referencia y verificar el resultado. La coordinación temporal protege aquí la distinción operativa entre redactar un mensaje y enviarlo, además de hacer más cómoda la conversación. El caso admite variantes, como una pausa corta o larga, una corrección anterior a la respuesta, una interrupción durante la lectura o un cambio de destinatario después de revisar el borrador. Los resultados esperados dependen de qué acciones estaban autorizadas y de cuáles ya ocurrieron. El protocolo registra la voz y también el estado de la aplicación, ya que una respuesta verbal adecuada resulta insuficiente si una operación externa siguió usando la referencia anterior.
El ejemplo muestra cómo la toma de turnos conecta tiempo, significado y control. Un agente necesita interpretar posibilidades de cierre, mantener revisables sus hipótesis y dejar que las personas interrumpan o continúen. La evidencia lingüística orienta el diseño, cuyas consecuencias comprueban después la evaluación computacional y la evaluación en uso. Ambas examinan si el intercambio, tenga o no pausas, hace posible que cada contribución llegue en un momento y con un alcance adecuados a la actividad.
Referencias
Ekstedt, E., y Skantze, G. (2022a). Voice Activity Projection: Self-supervised Learning of Turn-taking Events. Interspeech. https://arxiv.org/abs/2205.09812
Ekstedt, E., y Skantze, G. (2022b). How Much Does Prosody Help Turn-taking? Investigations using Voice Activity Projection Models. SIGDIAL. https://arxiv.org/abs/2209.05161
Levinson, S. C., y Torreira, F. (2015). Timing in turn-taking and its implications for processing models of language. Frontiers in Psychology, 6, 731. https://doi.org/10.3389/fpsyg.2015.00731
Sacks, H., Schegloff, E. A., y Jefferson, G. (1974). A simplest systematics for the organization of turn-taking for conversation. Language, 50(4), 696–735. https://doi.org/10.2307/412243
Stivers, T., et al. (2009). Universals and cultural variation in turn-taking in conversation. Proceedings of the National Academy of Sciences, 106(26), 10587–10592. https://doi.org/10.1073/pnas.0903616106