論文の概要: SpeechEQ: Benchmarking Emotional Intelligence Quotient in Socially Aware Voice Conversational Models
- arxiv url: http://arxiv.org/abs/2606.25990v1
- Date: Wed, 24 Jun 2026 16:03:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.391886
- Title: SpeechEQ: Benchmarking Emotional Intelligence Quotient in Socially Aware Voice Conversational Models
- Title（参考訳）: SpeechEQ: 社会的に認識される音声会話モデルにおける感情的知能のベンチマーク
- Abstract要約: 音声言語モデル(SLM)の社会言語学的推論を評価するための包括的なフレームワークであるtextscSpeechEQを紹介する。
このフレームワークには、EQ-i 2.0理論に基づく15の感情的クオシエント(EQ)サブスケールにわたる2,265の対話の検証データセットが含まれている。
- 参考スコア（独自算出の注目度）: 42.27807245438137
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As multimodal conversational systems increasingly engage in spoken interaction, their ability to navigate paralinguistic social cues has become a critical bottleneck for natural human-AI communication. However, existing evaluations of machine emotional intelligence assess reasoning exclusively through isolated text or passive acoustic perception, overlooking the complex cross-modal reasoning required for active, multi-turn dialogue. We introduce \textsc{SpeechEQ}, a comprehensive framework designed to evaluate the sociolinguistic reasoning of Speech-Language Models (SLMs). The framework includes a validated dataset of 2,265 dialogues across 15 Emotional Quotient (EQ) subscales grounded in EQ-i 2.0 theory, along with a multi-turn evaluation protocol measured by our proposed Spoken EQ (SEQ) score inspired by human EQ assessments. Experiments show limitations in how both existing Speech Emotion Recognition and end-to-end Speech-Language Models understand and apply paralinguistic cues through speech. While end-to-end architectures outperform cascaded systems, \textsc{SpeechEQ} reveals that current multimodal models remain bottlenecked by a text-reliant ``modality shortcut,'' an alignment-induced ``safety trap,'' and ``contextual amnesia,'' highlighting the barriers to truly emotionally aware AI. Our benchmark can be accessed at https://huggingface.co/datasets/SpeechEQ/SpeechEQ and demo page at https://binomial14.github.io/speecheq-demo/
- Abstract（参考訳）: マルチモーダルな対話システムは音声対話にますます関与しているため、パラ言語的な社会的手がかりをナビゲートする能力は、人間とAIのコミュニケーションにとって重要なボトルネックとなっている。
しかし、機械感情知能の既存の評価は、孤立したテキストまたは受動的音響知覚を通してのみ推論を評価し、アクティブなマルチターン対話に必要な複雑な相互モーダル推論を見越す。
本稿では、音声言語モデル(SLM)の社会言語学的推論を評価するために設計された包括的フレームワークである「textsc{SpeechEQ}」を紹介する。
このフレームワークは、EQ-i 2.0理論に基づく15の感情的クオシエント(EQ)サブスケールにわたる2,265のダイアログの検証データセットと、人間のEQアセスメントにインスパイアされたSpoken EQ(SEQ)スコアによって測定されたマルチターン評価プロトコルを含む。
実験は、既存の音声感情認識とエンドツーエンドの音声言語モデルの両方が、音声を通してパラ言語的手がかりを理解し、適用する方法の限界を示す。
エンド・ツー・エンドのアーキテクチャはカスケードシステムより優れているが、 \textsc{SpeechEQ} は現在のマルチモーダルモデルがテキスト・リライアントな '`modality shortcut,'' とアライメントによって誘導される ``safety trap,'' と ' ``contextual amnesia'' によってボトルネックを保っていることを明らかにしている。
私たちのベンチマークはhttps://huggingface.co/datasets/SpeechEQ/SpeechEQで、デモページはhttps://binomial14.github.io/speecheq-demo/でアクセスできます。
関連論文リスト
- Resonant Minds: Closed-Loop Social Avatars with Theory of Mind [16.880605576970538]
本稿では,認識,社会的推論,表現を連続的な相互作用サイクルに統合した閉ループ二重エージェントフレームワークを提案する。
知覚モジュールは、パートナーのマルチモーダルな振る舞いをビデオから分析し、社会的推論モジュールは、心の理論を通して隠れた精神状態を予測する。
その後、表情モジュールは、リスナーの反応行動とともに、話者音声と表現の両方の感情制御可能なデュアルエージェントビデオを生成する。
論文 参考訳（メタデータ） (2026-06-04T09:03:43Z) - ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。
ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。
ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
論文 参考訳（メタデータ） (2026-02-13T08:33:37Z) - Decoding Ambiguous Emotions with Test-Time Scaling in Audio-Language Models [18.059483722792077]
テスト時間スケーリング下でのALMを用いた音声におけるあいまいな感情認識のための最初のベンチマークを紹介する。
本評価では,8つの最先端ALMと5つのTTS戦略を,3つの顕著な音声感情データセットに対して体系的に比較した。
私たちのベンチマークは、より堅牢でコンテキスト対応で感情的にインテリジェントな音声ベースのAIシステムを開発するための基盤を確立します。
論文 参考訳（メタデータ） (2026-02-01T07:41:57Z) - The ICASSP 2026 HumDial Challenge: Benchmarking Human-like Spoken Dialogue Systems in the LLM Era [95.35748535806744]
我々はICASSP 2026で最初のヒューマンライクな音声対話システムチャレンジ(HumDial)を開催する。
本稿では,データセット,トラック構成,最終結果について概説する。
論文 参考訳（メタデータ） (2026-01-09T06:32:30Z) - A Unified Spoken Language Model with Injected Emotional-Attribution Thinking for Human-like Interaction [50.05919688888947]
本稿では,感情的インテリジェンスのための統一言語モデルを提案する。
IEATは、ユーザーの感情状態とその根本原因をモデルの内部推論プロセスに組み込んでおり、明示的な監督として扱われるのではなく、感情を意識した推論を内部化することができる。
HumDial(Human-like Spoken Dialogue Systems Challenge)Emotional Intelligenceベンチマークの実験は、提案手法が感情軌道モデリング、感情的推論、共感的応答生成にまたがるトップランクのパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-01-08T14:07:30Z) - EchoMind: An Interrelated Multi-level Benchmark for Evaluating Empathetic Speech Language Models [47.41816926003011]
音声言語モデル(SLM)は、音声言語理解において大きな進歩を遂げている。
SLMが非語彙的声道を完全に知覚できるかどうかは不明であるが、感情的・文脈的要因の双方に合致する共感に反応する。
共感的対話の認知過程をシミュレートする最初の相互関連型マルチレベルベンチマークであるEchoMindを提案する。
論文 参考訳（メタデータ） (2025-10-26T17:15:56Z) - Benchmarking Contextual and Paralinguistic Reasoning in Speech-LLMs: A Case Study with In-the-Wild Data [46.12417789276609]
音声-LLMは、書き起こしや翻訳といったタスクにおいて顕著なパフォーマンスを示してきたが、社会的および感情的な知性に不可欠な音声のパラ言語的側面を理解することにはまだ限界がある。
文脈パラ言語推論における音声LLMの評価のためのベンチマークであるCP-Benchを提案する。
論文 参考訳（メタデータ） (2025-09-20T09:26:40Z) - SpeechIQ: Speech Intelligence Quotient Across Cognitive Levels in Voice Understanding Large Language Models [76.07833875692722]
音声に基づくインテリジェンス・クオシエント(SIQ)は、人間の認知にインスパイアされた評価パイプラインの新たな形態であり、大きな言語モデルを理解するためのものである。
私たちのフレームワークは、認知原則を音声指向のベンチマークでブリッジする、第一種知能検査を表現しています。
論文 参考訳（メタデータ） (2025-07-25T15:12:06Z) - WavChat: A Survey of Spoken Dialogue Models [66.82775211793547]
GPT-4oのようなシステムで実証された音声対話モデルの最近の進歩は、音声領域において大きな注目を集めている。
これらの高度な音声対話モデルは、音声、音楽、その他の音声関連の特徴を理解するだけでなく、音声のスタイリスティックな特徴や音節的な特徴も捉える。
音声対話システムの進歩にもかかわらず、これらのシステムを体系的に組織化し分析する包括的調査が欠如している。
論文 参考訳（メタデータ） (2024-11-15T04:16:45Z)
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。