論文の概要: TRACE: Temporal Relationship-Aware Conversational Entrainment Detection in Dyadic Speech

• arxiv url: http://arxiv.org/abs/2606.30543v2
• Date: Fri, 03 Jul 2026 22:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 17:33:48.617002
• Title: TRACE: Temporal Relationship-Aware Conversational Entrainment Detection in Dyadic Speech
• Title（参考訳）: TRACE: 韻律音声における時間的関係認識による会話制限検出
• Abstract要約: ダイアドEE(DyadEE)は、ディヤド音声対話における感情的エントレメント検出のためのデータセットである。 本稿では,感情を微調整したWhisper表現から得られた音響埋め込みの順序列として,ダイアディック相互作用をモデル化するウィンドウレベルフレームワークであるTRACEを提案する。
• 参考スコア（独自算出の注目度）: 15.290622671304305
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the proliferation of speech AI agents, understanding emotional entrainment in conversational interaction has become increasingly important. Emotional entrainment is shaped by social relationships and conversational context, influencing affective coordination over time. We introduce DyadEE, a dataset for emotional entrainment detection in dyadic speech interactions, containing both emotionally entrained conversations and synthetic interactions where entrainment is disrupted through partner swapping and emotion resynthesis. We further propose TRACE, a window-level framework that models dyadic interaction as ordered sequences of acoustic embeddings derived from emotion fine-tuned Whisper representations, treating each sample as an interaction trace rather than pooled utterances. Experimental results on DyadEE show that incorporating conversational context and relationship information improves emotional entrainment detection, with TRACE achieving the best accuracy of 97.01%.
• Abstract（参考訳）: 音声AIエージェントの普及に伴い、会話の相互作用における感情的エントレメントの理解がますます重要になっている。 感情の誘惑は、社会的関係と会話の文脈によって形成され、時間とともに情緒的な調整に影響を及ぼす。 本研究では, 感情的交替と情動的再合成を介し, 感情的交替を阻害する感情的交信と, 感情的交替を両立させた感情的交替のデータセットDyadEEを紹介する。 さらに、感情の微調整されたWhisper表現から導かれる音響埋め込みの順序列としてダイアディック相互作用をモデル化するウィンドウレベルフレームワークTRACEを提案し、各サンプルをプールされた発話ではなく相互作用トレースとして扱う。 DyadEEの実験結果によると、会話のコンテキストと関係情報を組み込むことで、感情的エントレメントの検出が改善し、TRACEは97.01%の精度を達成している。

関連論文リスト

• EII-SCL: Harnessing Emotional Inertia for Multimodal Emotion Recognition in Conversation [51.04910642896281]
  会話におけるマルチモーダル感情認識(MERC)は、対話に多モーダル情報と文脈情報を統合することで正確な予測を行う。 現在のMERCアプローチは、情動シフトにおける文脈的感情的慣性の影響を見落とし、準最適パフォーマンスをもたらす。 本研究では, 時間的ウィンドウ内に慣性の影響のあるサンプルを構築することで, コントラスト学習モジュール (EII-SCL) を提案する。
  論文  参考訳（メタデータ） (2026-07-19T18:09:54Z)
• Sympatheia: Emotionally Adaptive Voice Assistant with Continuous Affect Conditioning [17.756766677106388]
  共感型音声対話システムは、ユーザの感情状態を適切に推測する必要がある。 本稿では,ユーザの音声から推測される影響を条件とした音声対話フレームワークであるSymphatheiaを紹介する。
  論文  参考訳（メタデータ） (2026-05-30T18:53:35Z)
• Breakdowns in Conversational AI: Interactional Failures in Emotionally and Ethically Sensitive Contexts [16.938835302814084]
  本研究では,心理的なペルソナとマルチターン対話や,情緒的なペアリングを行うことのできるペルソナ条件付きユーザシミュレータを開発した。 感情的ミスアライメント、倫理的失敗、共感が責任を負うような多次元的トレードオフなど、いくつかの一般的な失敗パターンを特定します。
  論文  参考訳（メタデータ） (2026-04-03T04:10:46Z)
• Two in One Go: Single-stage Emotion Recognition with Decoupled Subject-context Transformer [78.35816158511523]
  単段階の感情認識手法として,DSCT(Decoupled Subject-Context Transformer)を用いる。 広範に使われている文脈認識型感情認識データセットであるCAER-SとEMOTICの単段階フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2024-04-26T07:30:32Z)
• Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
  隠れ変数分離に基づく動的因果解離モデルを提案する。 このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。 具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-13T12:58:09Z)
• Multiscale Contextual Learning for Speech Emotion Recognition in Emergency Call Center Conversations [4.297070083645049]
  本稿では,音声感情認識のためのマルチスケール会話文脈学習手法を提案する。 音声の書き起こしと音響セグメントの両方について,本手法について検討した。 我々のテストによると、過去のトークンから派生したコンテキストは、以下のトークンよりも正確な予測に大きな影響を及ぼす。
  論文  参考訳（メタデータ） (2023-08-28T20:31:45Z)
• deep learning of segment-level feature representation for speech emotion recognition in conversations [9.432208348863336]
  そこで本稿では,意図的文脈依存と話者感応的相互作用をキャプチャする対話型音声感情認識手法を提案する。 まず、事前訓練されたVGGishモデルを用いて、個々の発話におけるセグメントベース音声表現を抽出する。 第2に、注意的双方向リカレントユニット(GRU)は、文脈に敏感な情報をモデル化し、話者内および話者間依存関係を共同で探索する。
  論文  参考訳（メタデータ） (2023-02-05T16:15:46Z)
• Emotion Dynamics Modeling via BERT [7.3785751096660555]
  対話型感情ダイナミクスのインターロケータ間およびインターロケータ間依存性をキャプチャするBERTベースの一連のモデルを開発する。 提案したモデルはそれぞれ,最先端のベースラインよりも約5%,10%改善できる。
  論文  参考訳（メタデータ） (2021-04-15T05:58:48Z)
• Reinforcement Learning for Emotional Text-to-Speech Synthesis with Improved Emotion Discriminability [82.39099867188547]
  感情的テキスト音声合成(ETTS)は近年大きく進歩している。 i-ETTSと呼ばれるETTSの新しい対話型トレーニングパラダイムを提案する。 i-ETTSの最適化品質を確保するため、強化学習による反復トレーニング戦略を策定します。
  論文  参考訳（メタデータ） (2021-04-03T13:52:47Z)
• Disambiguating Affective Stimulus Associations for Robot Perception and Dialogue [67.89143112645556]
  知覚された聴覚刺激と感情表現の関連性を学ぶことができるNICOロボットを提供します。 NICOは、感情駆動対話システムの助けを借りて、個人と特定の刺激の両方でこれを行うことができる。 ロボットは、実際のHRIシナリオにおいて、被験者の聴覚刺激の楽しさを判断するために、この情報を利用することができる。
  論文  参考訳（メタデータ） (2021-03-05T20:55:48Z)
• Knowledge Bridging for Empathetic Dialogue Generation [52.39868458154947]
  外部知識の不足により、感情的な対話システムは暗黙の感情を知覚し、限られた対話履歴から感情的な対話を学ぶことが困難になる。 本研究では,情緒的対話生成における感情を明確に理解し,表現するために,常識的知識や情緒的語彙的知識などの外部知識を活用することを提案する。
  論文  参考訳（メタデータ） (2020-09-21T09:21:52Z)

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。