論文の概要: Beyond Two Tracks: Speaker-Anchored Full-Duplex Dialogue Recovery
- arxiv url: http://arxiv.org/abs/2610.27109v1
- Date: Mon, 19 Oct 2026 18:09:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.45136
- Title: Beyond Two Tracks: Speaker-Anchored Full-Duplex Dialogue Recovery
- Title（参考訳）: 2トラックを超えて:話者アンコールによる全二重対話の回復
- Abstract要約: ジェネレーティブ・リカバリは通常の録音からルートを提供するが、2声のリカバリは十分である。
話者付きルーティングは、間違ったトラック時間を43.9%から4.1%に短縮する。
25分間の遠隔会話では、ルーティングは間違ったトラックタイムを43.9%から4.1%に短縮する。
同じルータが見えない顔と電話の録音に転送され、出力の20～36%を埋め込む間、マージンゲートの検証ステップでトラック時間が0.9～1.7%に短縮される。
- 参考スコア（独自算出の注目度）: 12.029635853887866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spoken interaction is moving from alternating turns to full-duplex conversation, where an agent listens while speaking. Learning this coordination requires natural dialogue with persistent speaker-resolved tracks, a data requirement that remains difficult to satisfy at scale. Generative recovery offers a route from ordinary recordings, but recovering two voices is not enough: their track assignments can drift as the conversation unfolds. We address this missing link with speaker-anchored routing before diffusion: a 1.84M-parameter module matches the separator's coarse streams to fixed enrollment identities and orders them before a frozen generator reconstructs the speech, without retraining the generator or altering the reconstructed audio. On 25-minute remote conversations, routing cuts wrong-track time from 43.9% to 4.1%, below the 6.2% of matched-enrollment waveform re-identification, with its largest advantage when one participant holds the floor (17.8% versus 28.6%), and raises fixed-track activity F1 from 0.46 to 0.84 while per-chunk reconstruction quality is unchanged. The same router transfers to unseen face-to-face and telephone recordings, and a margin-gated verification step brings their wrong-track time to 0.9-1.7% while embedding 20-36% of the output, where full re-identification embeds all of it. Recovered voices thus become the participant-consistent tracks that full-duplex dialogue modeling needs. Audio examples: https://elpsykongloo.github.io/beyond-two-tracks/
- Abstract（参考訳）: 音声対話は、交互に交互に会話するから、エージェントが話している間耳を傾ける、二重会話へと移行している。
この調整を学ぶには、持続的な話者解決トラックとの自然な対話が必要です。
ジェネレーティブ・リカバリは通常の録音からルートを提供するが、2声のリカバリだけでは十分ではない。
1.84Mパラメータモジュールは、分離器の粗いストリームと固定された登録IDとを一致させ、冷凍発電機が発電機を再訓練したり、再構成された音声を変更することなく、音声を再構成する前にそれらを注文する。
25分間の遠隔会話では、不正トラックの時間を43.9%から4.1%に減らし、マッチした入場波形の再識別の6.2%以下にし、1人の参加者がフロアを保持した場合(17.8%対28.6%)に最大の利点がある。
同じルータが見えない顔と電話の録音に転送され、出力の20～36%を埋め込み、その全再識別が組み込まれている。
これにより、音声の復元は、全二重対話モデリングに必要な参加者一貫性のあるトラックとなる。
オーディオ例:https://elpsykongloo.github.io/beyond-two-tracks/
関連論文リスト
- DuplexLedger: Benchmarking Transactional Memory in Full-Duplex Speech Agents [52.50536965397534]
フルメモリ音声エージェントは、リスニングと会話を継続的に更新する必要がある。
強い制御とコヒーレントなコヒーレントステートメモリを組み合わせたシステムは存在しない。
本稿では,型付きレトリバーを備えたイベントコントローラACTMemを提案する。
論文 参考訳（メタデータ） (2026-10-20T03:47:06Z) - MultiPartyTurnBench: Benchmarking Floor Control in Multi-Party Spoken Dialogue [67.07361089429757]
本研究では, 主観的ターンテイクや終末行動について検討するが, 真のフロア・トランジションの統一的評価を, 難易度の高い非パーティ・セッティングに対して検討する。
我々は、240個の合成されたチャネル分離会話のベンチマークであるMultiPartyTurnBench (MPTB) について紹介する。
学習システムは82.2.6%のEOTリコールを4.3-11.8%の偽陽性率で達成し、Interruption (INT) 検出は失敗したテイクオーバーや過剰な偽のアクティベーションに悩まされる。
論文 参考訳（メタデータ） (2026-10-14T13:20:14Z) - PERSIST: Who-What-When Memory Across Sessions for Full-Duplex Spoken Dialogue [9.3254565209625]
PerSISTはマルチセッション多話者音声対話のための永続記憶システムである。
PerSIST構造は、セッション履歴を読み取り可能なイベントレコードに分割し、3Wのジョイントスコアリング機構でそれらを検索する。
論文 参考訳（メタデータ） (2026-10-06T04:21:11Z) - A Harness for Synthesizing Diverse Naturalistic Full-Duplex Conversations [17.048567633179037]
本稿では,リレーショナルイベントリストから意図抽出2チャンネル会話音声を合成するためのパイプラインを提案する。
イベントは独立して合成され、ソーステキストと一致し、共有クロック上に置かれ、ターンテイキングランドマークが測定される。
パイプラインは英語とマンダリンの8つの家族の42をカバーしている。
論文 参考訳（メタデータ） (2026-09-23T21:38:54Z) - Neither Silence nor Overlap Is Failure: Intent-Conditioned Evaluation of Turn-Taking in Full-Duplex Spoken Dialogue Models [0.33054385258808067]
我々は5つのダイアドコーパスから9,728エピソードのベンチマークであるTACTを紹介する。
各エピソードは、対話履歴、話者ごとのメモリプロファイル、およびアノテーションから派生した6つの意図クラスを含む。
TACTは、Spearman 0.81の人間による判断と、バイナリメトリクスの0.46と一致している。
論文 参考訳（メタデータ） (2026-09-23T05:21:10Z) - Voice-Light: A Full-Duplex Cascaded Voice Agent with Causal Turn-Taking and Speculative Generation [0.0]
本稿では、音声の信頼性を耐久性のある歴史のためにレンダリングする音声オーバ・ASRシステムを提案する。
早期に学習した完了チェックポイントは2.70%の偽カット率を維持したが、12.53%のターンリコールしか得られなかった。
したがってシステムは、学習された政治の代替を主張するのではなく、ハイブリッドコントローラを保有する。
論文 参考訳（メタデータ） (2026-09-17T18:49:48Z) - Realtime-Venus: A full-duplex interaction system with asynchronous delegation [0.0]
音声対話のためのリアルタイム・リアルタイム・オムニ・オーディオ・インタラクションとリアルタイム・オーディオ・スポーケンを提示する。
それぞれのモデルは完全な会話として機能し、連続認識、会話制御、およびネイティブ音声生成を統合する。
論文 参考訳（メタデータ） (2026-09-12T08:56:50Z) - Noise Adaptive Streaming Audio-Visual Speech Token Enhancement for Robust Full-Duplex Spoken Dialogue Models [49.372283081631366]
AVSTEは、音声知覚に到達する前に、ノイズの多い音声とリップビデオから意味のある音声トークンを復元する。
モシと統合すると、AVSTEは平均GPT-4ojudged応答コヒーレンスを1.42.91から改善する。
論文 参考訳（メタデータ） (2026-09-08T07:59:13Z) - ConversationalVoice: Full-Duplex Speech Data from Real Conversations through Source-Faithful Reconstruction and Conversation-Grounded Expansion [5.90805749495021]
完全な音声モデルは訓練を必要とするが、ノイズの多い現実世界の録音では、話者間で信号が絡み合っている。
安定な話者行動を持つパイプライントラックを提示し、データ特性のみを評価する。
フル-3.2%のモデルトレーニングで 下流での上昇は 今後も続く。
論文 参考訳（メタデータ） (2026-09-08T02:28:43Z) - Voice Memory for Agentic Speech Recognition [66.69623133635868]
エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。
同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。
10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
論文 参考訳（メタデータ） (2026-07-29T02:42:56Z) - Reading Between the Lines: The One-Sided Conversation Problem [49.36189146596834]
我々は一方的な会話問題(1SC)を定式化する。
リアルタイムのユースケースに対して、欠落した話者のターンを再構築し、一方の書き起こしから要約を生成する。
プライバシーに配慮した会話型AIへの一歩となる有望な成果を報告します。
論文 参考訳（メタデータ） (2025-11-04T22:53:57Z)
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。