論文の概要: M3-DuplexBench: A Multi-Turn, Multilingual, Multidomain Benchmark for Full-Duplex Spoken Dialogue Models

• arxiv url: http://arxiv.org/abs/2607.29125v1
• Date: Fri, 31 Jul 2026 07:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.649525
• Title: M3-DuplexBench: A Multi-Turn, Multilingual, Multidomain Benchmark for Full-Duplex Spoken Dialogue Models
• Title（参考訳）: M3-DuplexBench:全二重音声対話モデルのための多言語マルチドメインベンチマーク
• Abstract要約: フル音声対話システム(FDSDS)は話しながら聴くことができるが、マルチターン会話における公正な比較は依然として課題である。 FDSDS M3-DuplexBenchは英語と日本語をサポートし、カジュアルな会話とマルチターンの質問応答の両方をカバーしている。
• 参考スコア（独自算出の注目度）: 41.55514321725997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-duplex spoken dialogue systems (FDSDSs) can listen while speaking, enabling natural behaviors such as smooth turn-taking, backchannel handling, and user barge-in handling. However, fair comparisons in multi-turn conversations remain a challenge. In addition, existing benchmarks provide limited coverage of languages and dialogue domains. We propose M3-DuplexBench, a multi-turn, multilingual, multidomain benchmark for FDSDSs. M3-DuplexBench supports English and Japanese and covers both casual conversation and multi-turn question answering. In addition, we evaluate models under multiple dialogue context settings, including single-turn, user-only, and teacher-forced full-context settings, to analyze how dialogue history affects model behavior. Experiments with recent FDSDSs reveal model-specific turn-taking characteristics, clear performance gaps across languages and domains, and mixed effects of dialogue context.
• Abstract（参考訳）: フル二重音声対話システム(FDSDS)は、スムーズなターンテイク、バックチャネルハンドリング、ユーザバージインハンドリングなどの自然な動作を可能にする。 しかし、マルチターン会話における公正な比較は依然として課題である。 さらに、既存のベンチマークは言語と対話ドメインの限定的なカバレッジを提供する。 FDSのマルチターン多言語マルチドメインベンチマークであるM3-DuplexBenchを提案する。 M3-DuplexBenchは英語と日本語をサポートし、カジュアルな会話とマルチターンの質問応答の両方をカバーしている。 さらに,対話履歴がモデル行動にどう影響するかを解析するために,複数対話コンテキスト設定に基づくモデルの評価を行った。 最近のFDSDSによる実験では、モデル固有のターンテイク特性、言語とドメイン間のパフォーマンスギャップの明確化、対話コンテキストの混合効果が明らかにされている。

関連論文リスト

• S2Dialog: Multimodal Dialogue Retrieval with Semantic and Acoustic-Style Modeling [10.413079982380555]
  マルチモーダル対話バンクからの対話レベルセマンティックスタイル検索のための統合フレームワークであるS2Dialogを提案する。 S2Dialogは、対話レベルのテキストレトリバーと対話レベルのアコースティックレトリバーで構成され、対話のテキストおよびアコースティックなモダリティを対話レベルの表現にエンコードする。 マルチモーダル対話データセットであるDailyTalkの実験は、S2Dialogが優れた検索性能を発揮することを示した。
  論文  参考訳（メタデータ） (2026-08-14T07:19:24Z)
• MOSS-TTSD: Text to Spoken Dialogue Generation [62.04179716555789]
  複数の言語にまたがる多人数会話音声のための音声対話合成モデルであるMOSS-TTSDを提案する。 長文モデリングの強化により、MOSS-TTSDは明示的な話者タグを持つ対話スクリプトから長文音声対話を生成する。 このモデルは、英語や中国語を含む様々な主流言語をサポートし、いくつかの長文のシナリオに適応している。
  論文  参考訳（メタデータ） (2026-03-20T08:23:31Z)
• ContextQFormer: A New Context Modeling Method for Multi-Turn Multi-Modal Conversations [38.40471808648207]
  コンテキスト情報表現を強化するためのコンテキストモデリングモジュールであるContextQFormerを導入する。 さらなる研究を容易にするために, 事前学習, 指導指導, 評価のためのマルチターンマルチモーダル対話データセット(TMDialog)を構築した。 さらに、ContextQFormerはTMDialogの3つのベースラインと比較され、実験の結果、ContextQFormerはベースラインよりも利用率2%-4%の改善を実現している。
  論文  参考訳（メタデータ） (2025-05-29T05:41:26Z)
• Full-Duplex-Bench: A Benchmark to Evaluate Full-duplex Spoken Dialogue Models on Turn-taking Capabilities [93.09944267871163]
  FullDuplexBenchは、重要なインタラクティブな振る舞いを体系的に評価するベンチマークである。 ベンチマークコードを公開することによって、音声対話モデリングの進歩と、より自然で魅力的なSDMの開発を目指しています。
  論文  参考訳（メタデータ） (2025-03-06T18:59:16Z)
• Can MLLMs Generalize to Multi-Party dialog? Exploring Multilingual Response Generation in Complex Scenarios [8.131774353504472]
  マルチパーティポッドキャスト対話をベースとした,高品質な並列多言語データセットであるXMPを紹介する。 データセットのほとんどのサンプルには3つ以上の参加者が参加し、幅広いトピックについて議論している。 R1:MLLMはマルチパーティ設定への一般化に失敗し、XMPのR2ファインチューニングはわずかに改善され、70Bモデルは8Bよりも1%の絶対的なゲインを達成した。
  論文  参考訳（メタデータ） (2025-01-20T04:33:03Z)
• OmniFlatten: An End-to-end GPT Model for Seamless Voice Conversation [53.7173034249361]
  エンド・ツー・エンドのGPTベースモデルであるOmniFlattenは、低レイテンシで自然な会話に固有の複雑な振る舞いを効果的にモデル化することができる。 提案手法は, 簡便なモデリング手法と, より効率的かつ自然な対話システムを構築するための研究の方向性を提供する。
  論文  参考訳（メタデータ） (2024-10-23T11:58:58Z)
• Let's Go Real Talk: Spoken Dialogue Model for Face-to-Face Conversation [55.043492250775294]
  本稿では,新しい対面音声対話モデルを提案する。 ユーザ入力から音声視覚音声を処理し、応答として音声視覚音声を生成する。 また,最初の大規模マルチモーダル音声対話コーパスであるMultiDialogを紹介する。
  論文  参考訳（メタデータ） (2024-06-12T04:48:36Z)
• SPACE-3: Unified Dialog Model Pre-training for Task-Oriented Dialog Understanding and Generation [123.37377363355363]
  SPACE-3は、大規模対話コーパスから学習する、新しい半教師付き会話モデルである。 幅広いダウンストリームダイアログタスクを効果的に微調整できる。 その結果、SPACE-3は8つの下流ダイアログベンチマークで最先端のパフォーマンスを達成することがわかった。
  論文  参考訳（メタデータ） (2022-09-14T14:17:57Z)
• Fusing task-oriented and open-domain dialogues in conversational agents [12.338220374261343]
  2つの対話モードは、友好的な人間のアシスタントが簡単に行うように、同じ会話でシームレスに連携することができる。 本稿では,マルチターン対話におけるTODとODDの融合の問題に対処する。 すなわち、対話は2つのモードから切り替わる。
  論文  参考訳（メタデータ） (2021-09-09T09:48:26Z)

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。