PersonaKit (PK): A Plug-and-Play Platform for User Testing Diverse Roles in Full-Duplex Dialogue

Riepilogo Tecnico: PersonaKit (PK)

Enunciato del Problema
Mentre i sistemi di dialogo parlato transitano da interazioni half-duplex a full-duplex, la frontiera progettuale si è spostata dalla qualità del testo al comportamento sociolinguistico, in particolare la gestione della sovrapposizione del parlato (barge-in). I sistemi full-duplex attuali adottano prevalentemente di default una politica rigida di "cedimento sempre", dove l'agente cede immediatamente la parola non appena rileva la voce dell'utente. Sebbene appropriata per assistenti sottomessi, tale comportamento rompe l'immersione psicologica per personaggi non sottomessi (ad esempio, istruttori autoritari, mercanti non collaborativi) che interromperebbero o manterrebbero la parola naturalmente in una conversazione umana. La valutazione di strategie di turno alternative e specifiche del personaggio è attualmente ostacolata dall'elevato onere ingegneristico richiesto per costruire ambienti di test full-duplex in tempo reale che coinvolgano WebRTC, Rilevamento dell'Attività Vocale (VAD), iniezione dinamica dei prompt e tracciamento della latenza.

Metodologia e Architettura di Sistema
Per affrontare questi colli di bottiglia, gli autori presentano PersonaKit (PK), una piattaforma web open-source a bassa latenza progettata per la rapida prototipazione e valutazione di agenti conversazionali. Il sistema isola l'ingegneria audio a bassa latenza dalla progettazione sperimentale, consentendo ai ricercatori di configurare gli esperimenti interamente tramite una dashboard web e quattro file JSON senza modificare il codice sorgente:

• persona.json: Definisce lo scenario, il ruolo e il prompt iniziale.
• interruption_config.json: Specifica una matrice di strategie che mappa le intenzioni di interruzione dell'utente alle azioni dell'agente.
• session_config.json: Configura i sondaggi post-sessione.
• model_config.json: Instrada la generazione e la Text-to-Speech (TTS) verso provider specifici.

Componenti Tecnici Principali:

1. VAD e Tracciamento Audio lato Client: Il frontend utilizza WebRTC con un nodo VAD lato client per fermare immediatamente la riproduzione locale al rilevamento di un "barge-in". Traccia la riproduzione a livello di byte per registrare l'esatto "testo interrotto" (ciò che il bot ha vocalizzato prima dell'interruzione) e il "testo residuo" (ciò che intendeva dire), trasmettendo questo contesto preciso al server.
2. Classificazione delle Intenzioni e Gestore del Turno: In caso di interruzione, il server trascrive l'enunciato dell'utente e classifica la sua intenzione in quattro categorie basate sull'analisi conversazionale: Competitiva (ricerca del turno), Cooperativa (aggiunta di informazioni), Cambio di Argomento e Backchannel.
3. Iniezione Probabilistica di Strategie: I ricercatori definiscono una matrice di strategie in interruption_config.json che mappa queste intenzioni a quattro azioni: Cedere, Riprendere/Mantenere, Collegare o Sovrascrivere, con pesi probabilistici associati. Il Gestore del Turno campiona un'azione da questa distribuzione e la inietta come token di controllo (ad esempio, [STRATEGY=RESUME]) nel prompt di sistema dell'LLM. Questo costringe l'LLM a generare una risposta condizionata a un'azione pre-impegnata piuttosto che scegliere una strategia zero-shot.
4. Ciclo di Vita Automatizzato: Le sessioni terminano in base ai limiti di turno o alle intenzioni verbali di uscita. Il sistema attiva automaticamente un sondaggio post-sessione ed esporta log strutturati (trascrizioni, log degli eventi con dati di intenzione/strategia e risposte al sondaggio) in formati JSON o CSV.

Studio Pilota e Risultati
Gli autori hanno condotto uno studio pilota con cinque partecipanti che interagivano con otto personaggi distinti mappati sul Circolo Interpersonale (variabili in Agenzia e Comunione). Ogni partecipante ha sperimentato tre condizioni per personaggio:

• Stile A (Baseline): Cedimento Sempre.
• Stile B (Probabilistico): Pesi di strategia sintonizzati via JSON.
• Stile C (Autonomo): L'LLM seleziona la strategia zero-shot.

Risultati Chiave:

• Preferenze Dipendenti dal Personaggio: Personaggi ad alta agenzia (ad esempio, Sergente Istruttore) hanno mostrato un miglioramento nella Naturalità della Reazione con strategie di non-cedimento (0,60 per Probabilistico contro 0,20 per Cedimento Sempre), con il 60% dei partecipanti che ha preferito la condizione Autonoma. Al contrario, personaggi a bassa agenzia e alta comunione (ad esempio, Assistente AI) hanno favorito la politica di Cedimento Sempre (70% di preferenza).
• Comportamenti Emergenti: L'approccio probabilistico ha permesso recuperi coerenti da barge-in che la baseline di Cedimento Sempre avrebbe scartato. Ad esempio, un Sergente Istruttore interrotto a metà frase ha ripreso con successo la frase ("...di nuovo!") quando il sistema ha campionato un'azione "Riprendere", mantenendo la coerenza del personaggio.
• Feedback Qualitativo: I partecipanti hanno notato che le strategie di non-cedimento sembravano più "umane" per ruoli autoritari, mentre le strategie di cedimento erano preferite per ruoli di servizio.

Contributi Chiave

1. Piattaforma Open-Source: Una piattaforma web plug-and-play per la valutazione di personaggi full-duplex che elimina il collo di bottiglia ingegneristico della creazione di ambienti di dialogo in tempo reale personalizzati.
2. Gestione del Turno Configurabile: Un meccanismo basato su JSON che eleva le politiche di interruzione condizionate dal personaggio a oggetti configurabili di prima classe, permettendo ai ricercatori di definire comportamenti probabilistici di gestione del turno senza modifiche al codice.
3. Flusso di Lavoro End-to-End: Un sistema integrato che supporta il deployment live, sondaggi comparativi A/B automatizzati ed esportazione di dati strutturati per l'analisi di comportamenti sociolinguistici complessi.

Significato e Limitazioni
Il documento afferma che PersonaKit fornisce un framework estendibile e end-to-end per studiare come le strategie di gestione del turno influenzino la percezione dell'utente e la coerenza del personaggio negli agenti parlanti di prossima generazione. Dimostra che le politiche di interruzione preferite variano significativamente in base al ruolo del personaggio all'interno del Circolo Interpersonale.

Gli autori mantengono una posizione modesta riguardo ai loro risultati. Riconoscono che lo studio pilota (N=5) è descrittivo piuttosto che inferenziale, richiedendo campioni più ampi per affermazioni robuste sulle mappature tra circolo e strategia. Notano inoltre limitazioni nella loro classificazione delle intenzioni zero-shot (che potrebbe etichettare erroneamente back-channel ambigui) e l'esclusione di segnali prosodici fini (tono, sguardo) a favore della configurabilità. Il sistema è presentato come un banco di prova per ricerche future piuttosto che come una soluzione commerciale definitiva.