全双工语音的“快”不等于更早吐出声音或文字。真正的低延迟需要系统知道哪些内容可以提交、哪些仍应等待，以及发生打断、重叠和身份变化时怎样修复已经做出的决定。
SmoothConv and DuplexConv 提供面向中文多人交互的互补会话语料，为重叠、停顿、回合衔接和多方参与提供更接近真实交互的观察窗口。数据集的价值不只在规模，而在标注是否保留了交互结构；若训练和测试只取整齐切分的单句，系统永远学不到真正的打断与等待。
DiffuPlex 用滚动掩码扩散加速全双工口语对话模型，探索生成与接收并行时如何减少响应等待。任何生成加速都应同时测量打断恢复、错误延续、语义一致性和轮次归属；若快速输出导致系统更频繁地覆盖用户或自行修订，体验不一定比稍慢的保守策略更好。
X2Streaming-ASR 提供了更基础的原则：将“说什么”和“何时提交”分离，让不确定 token 等待更多证据。它与全双工生成形成对称关系——输入端不应过早锁定文字，输出端也不应过早锁定回应。交互系统的成熟并非消除等待，而是把等待变成可解释、可控制且对用户可感知的行为。