计算机科学 > 计算与语言
[提交于 2025年8月26日
]
标题: 情感全能:通过大型语言模型实现共情语音响应生成
标题: Emotion Omni: Enabling Empathetic Speech Response Generation through Large Language Models
摘要: 随着语音大语言模型(语音LLMs)的发展,用户现在可以通过语音直接与助手进行交互。 然而,大多数现有模型只是将响应内容转换为语音,而没有充分理解用户查询中嵌入的丰富情感和副语言线索。 在许多情况下,同一句话可以根据情感表达的不同而具有不同的含义。 此外,情感理解对于提升人机交互中的用户体验至关重要。 目前,具有同理心能力的语音LLMs大多是在大规模数据集上训练的。 这种方法需要大量的数据和巨大的计算资源。 因此,一个关键挑战是如何在数据有限且不需要大规模训练的情况下开发出能够生成同理心响应的语音LLMs。 为了解决这个挑战,我们提出了Emotion Omni,一种新的模型架构,旨在理解用户语音输入的情感内容并生成同理心的语音响应。 此外,我们开发了一个基于开源TTS框架的数据生成管道,以构建一个20万条情感对话数据集,该数据集支持构建一个同理心语音助手。 演示地址为https://w311411.github.io/omni_demo/
文献和引用工具
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
推荐器和搜索工具
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.