論文の概要: SpokenUS: A Spoken User Simulator for Task-Oriented Dialogue

• arxiv url: http://arxiv.org/abs/2603.16783v1
• Date: Tue, 17 Mar 2026 16:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.433742
• Title: SpokenUS: A Spoken User Simulator for Task-Oriented Dialogue
• Title（参考訳）: Spokenus:タスク指向対話のための音声ユーザシミュレータ
• Authors: Jonggeun Lee, Junseong Pyo, Jeongmin Park, Yohan Jo,
• Abstract要約: 我々は,52,390対話と1,034時間音声を4つの音声ユーザ行動で拡張した音声TODデータセットであるtextbfSpokenTODを紹介した。 ToDをベースとした音声シミュレータ textbfSpokenus を,バージイン専用のアーキテクチャで提案する。
• 参考スコア（独自算出の注目度）: 11.90483692004643
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Robust task-oriented spoken dialogue agents require exposure to the full diversity of how people interact through speech. Building spoken user simulators that address this requires large-scale spoken task-oriented dialogue (TOD) data encompassing spoken user behaviors, yet existing datasets are limited in scale and domain coverage, with no systematic pipeline for augmenting them. To address this, we introduce \textbf{SpokenTOD}, a spoken TOD dataset of 52,390 dialogues and 1,034 hours of speech augmented with four spoken user behaviors -- cross-turn slots, barge-in, disfluency, and emotional prosody -- across diverse speakers and domains. Building on SpokenTOD, we present \textbf{SpokenUS}, a spoken user simulator grounded in TOD with a dedicated architecture for barge-in. SpokenUS achieves comparable goal coverage to significantly larger models while substantially outperforming all baselines in Human MOS, disclosing slot values gradually across the dialogue as humans do rather than front-loading them. Further analysis confirms that SpokenUS's spoken behaviors pose meaningful challenges to downstream agents, making it a practical tool for training and evaluating more robust spoken dialogue systems.
• Abstract（参考訳）: ロバストなタスク指向の音声対話エージェントは、人々が音声を通して対話する方法の完全な多様性に曝露する必要がある。 これに対応する音声ユーザシミュレータの構築には、音声ユーザの振る舞いを含む大規模音声タスク指向対話(TOD)データが必要であるが、既存のデータセットはスケールとドメインカバレッジに制限されており、拡張のための体系的なパイプラインは存在しない。 これを解決するために,52,390の対話と1,034時間の音声による音声TODデータセットである \textbf{SpokenTOD} を紹介した。 SpokenTOD 上に構築された音声シミュレータ \textbf{SpokenUS} について述べる。 Spokenusは、はるかに大きなモデルに匹敵する目標カバレッジを達成しつつ、人間のMOSのすべてのベースラインを著しく上回り、人間が前もってロードするのではなく、対話全体でスロットの値を徐々に開示する。 さらなる分析により、スポケナスの発声行動が下流のエージェントに有意義な課題をもたらすことが確認され、より堅牢な音声対話システムの訓練と評価の実践的ツールとなった。

関連論文リスト

• Are LLMs Robust for Spoken Dialogues? [10.855403629160921]
  大規模な事前学習型言語モデルでは、さまざまな下流タスクで最先端のパフォーマンスが実証されている。 タスク指向対話に関する公開データセットとベンチマークのほとんどは、書かれた会話に重点を置いている。 DSTC11テストセットにおける音声タスク指向対話におけるLLMの性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-04T14:36:38Z)
• SpokenWOZ: A Large-Scale Speech-Text Benchmark for Spoken Task-Oriented Dialogue Agents [70.08842857515141]
  SpokenWOZは音声TODのための大規模音声テキストデータセットである。 SpokenWOZでは、クロスターンスロットと推論スロット検出が新たな課題である。
  論文  参考訳（メタデータ） (2023-05-22T13:47:51Z)
• PRESTO: A Multilingual Dataset for Parsing Realistic Task-Oriented Dialogs [39.58414649004708]
  PRESTOは、人間と仮想アシスタント間の550万以上のコンテキスト多言語会話のデータセットである。 現実のNLUタスクで発生する問題、例えば、障害、コードスイッチング、リビジョンなどが含まれる。 我々のmT5モデルに基づくベースラインは、PRESTOに存在する会話現象をモデル化することが困難であることを示している。
  論文  参考訳（メタデータ） (2023-03-15T21:51:13Z)
• TOD-DA: Towards Boosting the Robustness of Task-oriented Dialogue Modeling on Spoken Conversations [24.245354500835465]
  本稿では,音声対話におけるタスク指向対話モデリングの堅牢性を高めるために,新しいモデルに依存しないデータ拡張パラダイムを提案する。 本手法は,音声対話におけるタスク指向対話モデリングのベンチマークであるDSTC10 Track2の両タスクにおいて,第1位となった。
  論文  参考訳（メタデータ） (2021-12-23T10:04:25Z)
• Action-Based Conversations Dataset: A Corpus for Building More In-Depth Task-Oriented Dialogue Systems [47.45333978381135]
  55の異なるユーザインテントを含む10K以上の人間と人間の対話を持つAction-Based Conversationsデータセットを紹介します。 アクションステートトラッキングとカスケーディングダイアログサクセスという2つの追加のダイアログタスクを提案し、一連のベースラインを確立します。 実験の結果、より洗練されたネットワークはより単純なモデルよりも優れているが、abcdの人間レベルの性能に到達するためのかなりのギャップ(絶対精度50.8%)が存在することが示されている。
  論文  参考訳（メタデータ） (2021-04-01T22:04:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。