Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.21191

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2506.21191 (cs)
[提交于 2025年6月26日 (v1) ,最后修订 2025年7月3日 (此版本, v2)]

标题: 提示引导的轮流预测

标题: Prompt-Guided Turn-Taking Prediction

Authors:Koji Inoue, Mikey Elmers, Yahui Fu, Zi Haur Pang, Divesh Lala, Keiko Ochi, Tatsuya Kawahara
摘要: 对话轮流预测模型是语音对话系统和对话机器人的关键组成部分。 最近的方法利用基于变压器的架构来连续且实时地预测语音活动。 在本研究中,我们提出了一种新模型,该模型可以通过文本提示动态控制对话轮流预测。 这种方法通过诸如“更快”或“更冷静”之类的指令实现直观且显式的控制,能够动态适应对话伙伴和语境。 所提出的模型建立在基于变压器的语音活动投影(VAP)模型之上,将文本提示嵌入到通道级变压器和跨通道变压器中。 我们使用超过950小时的人与人之间的语音对话数据评估了该方法的可行性。 由于现有数据集中没有适用于该方法的文本提示数据,我们使用了大型语言模型(LLM)生成合成提示句子。 实验结果表明,所提出的模型提高了预测准确性,并能根据文本提示有效改变对话轮流时间行为。
摘要: Turn-taking prediction models are essential components in spoken dialogue systems and conversational robots. Recent approaches leverage transformer-based architectures to predict speech activity continuously and in real-time. In this study, we propose a novel model that enables turn-taking prediction to be dynamically controlled via textual prompts. This approach allows intuitive and explicit control through instructions such as "faster" or "calmer" adapting dynamically to conversational partners and contexts. The proposed model builds upon a transformer-based voice activity projection (VAP) model, incorporating textual prompt embeddings into both channel-wise transformers and a cross-channel transformer. We evaluated the feasibility of our approach using over 950 hours of human-human spoken dialogue data. Since textual prompt data for the proposed approach was not available in existing datasets, we utilized a large language model (LLM) to generate synthetic prompt sentences. Experimental results demonstrated that the proposed model improved prediction accuracy and effectively varied turn-taking timing behaviors according to the textual prompts.
评论: 本文已被接受在2025年SIGdial会议上的话语与对话(SIGDIAL 2025)进行展示,并代表作者对该工作的版本。
主题: 计算与语言 (cs.CL) ; 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2506.21191 [cs.CL]
  (或者 arXiv:2506.21191v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.21191
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Koji Inoue [查看电子邮件]
[v1] 星期四, 2025 年 6 月 26 日 12:49:07 UTC (518 KB)
[v2] 星期四, 2025 年 7 月 3 日 04:01:44 UTC (518 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号