論文の概要: Human-Likeness and Conversational Preference Diverge for Synthesized Agent Speech in Customer-Service Calls
- arxiv url: http://arxiv.org/abs/2611.16051v1
- Date: Wed, 11 Nov 2026 22:03:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.279562
- Title: Human-Likeness and Conversational Preference Diverge for Synthesized Agent Speech in Customer-Service Calls
- Title(参考訳): 顧客サービス通話における合成エージェント音声の人間的類似性と会話的嗜好の多様性
- Abstract要約: 聞き手はエージェントのスピーチを、人間がどのように聞こえるか(人間に似ているか)、どのくらい話したいか(会話の好み)で判断することができる。
120ターンでペア選択テストを行い、アクターが顧客サービス代表として即興で実施した。
一部のシステムは人間らしく、他のシステムは会話の好みで上位にランクされた。
- 参考スコア(独自算出の注目度): 0.697126257791126
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Listeners can judge an agent's speech on how human it sounds (human-likeness) and on how much they would want to talk to it (conversational preference). Listening tests rarely ask about conversational preference, so the relation between the two judgments is unclear. We compared them in paired-choice tests on 120 turns that actors improvised as customer-service representatives. On each trial, two agents spoke the same turn. In Study 1, both agents came from six commercial text-to-speech systems, each with eight voices. In Study 2, one was the actor's original recording and the other a system. Some systems ranked higher on human-likeness, and others on conversational preference. Listeners chose systems over actors in 19% of human-likeness trials but 36% of conversational preference trials (and 49% for the most preferred system). On both judgments, variation among a system's voices was about three-quarters of that between systems. Of three automatic naturalness scores, two predicted lower human-likeness, and none predicted conversational preference. In this setting, listeners tended to favor faster speech and fewer pauses between clauses on both judgments, and more pitch variation for conversational preference. Thus, measuring only human-likeness or testing one voice per system can misjudge which agents listeners would rather talk to.
- Abstract(参考訳): 聞き手は、エージェントのスピーチを人間の声(人間に似ている)と、それについていくら話したいか(会話の好み)で判断することができる。
聞き取りテストでは会話の好みを問うことはめったにないため、両者の判断の関係は不明確である。
120ターンでペア選択テストを行い、アクターが顧客サービス代表として即興で実施した。
各裁判では2人の代理人が同じ言い回しをした。
研究1では、双方のエージェントは6つの商用音声合成システムからなり、それぞれ8つの音声を持つ。
研究2では、一人は俳優のオリジナル録音であり、もう一人はシステムであった。
一部のシステムは人間らしく、他のシステムは会話の好みで上位にランクされた。
聴取者はアクターよりもアクターの方が19%、会話の好みのトライアルは36%(最も好まれるシステムでは49%)を選択した。
どちらの判断においても、システムの声のばらつきはシステム間のおよそ4分の3であった。
3つの自動自然度スコアのうち、2つは人間に近いと予測され、会話の嗜好は予測されなかった。
この設定では、聞き手はより高速な話し方を好む傾向があり、両方の判断における節間のポーズが小さくなり、会話の好みに対するピッチの変化がより大きくなる傾向にあった。
したがって、システムごとの人間の類似性のみを測定したり、ひとつの音声をテストすることは、リスナーが話すべきエージェントを誤解する可能性がある。
関連論文リスト
- People Making Conversation: Evaluating How Naturally Speech Models Converse [0.0]
リアルタイム音声システムは、427停止時と482ターンで、Seamless Interactionにおける176の未記述会話から終了する。
これまでに各会話を行い、その人がしたことに対して何を生み出したかを記録します。
6つのシステムにまたがって、ホストされたAPIは、使用するエンドポイントのほぼすべての一時停止で応答する。
論文 参考訳(メタデータ) (2026-10-08T23:18:20Z) - Distributional Metrics for Evaluating Spoken Conversational Systems [21.67660949959307]
本稿では,会話行動の分布を人間の会話を基準として比較するCDS(Conversational Distribution Score)を提案する。
CDSは、8つの解釈可能な特徴と別々の2つの特徴的セマンティックベースラインを通しての音声速度、音節リズム、旋回相互作用を記述している。
2つの基準尺度で会話を比較した。1つは人間の対話における会話の成功と、もう1つは人間と合成対話の対比に基づくものである。
論文 参考訳(メタデータ) (2026-09-21T16:45:35Z) - TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue [79.83228182492354]
自然な会話の話し手は、話と聞き取りを交互に行い、いつ床をつかむか、保持するか、または譲るかをリアルタイムで決める。
そこで本研究では,30時間の人的会話を手作業でラベル付けしたコーパスを,エンド・オブ・ターンと割り込み検出のための標準評価プロトコルと組み合わせたベンチマークTurnBenchを提案する。
一方、割り込み偽陽性は強く型依存的であり、バックチャネル・デンス相互作用スタイルに集中している。
論文 参考訳(メタデータ) (2026-08-25T23:14:36Z) - From Speech to Interaction: Analyzing Multimodal Systems in Cocktail-Party Scenarios [68.14493981116665]
人間は、近くの会話から競合するスピーチをフィルタリングしながら、個々の話者に選択的に出席する能力を持つ。
この「カクテルパーティー」のシナリオは、音声認識システムに深刻な課題を呈している。
CHiME-9 MCoRecタスクは、システムが話者のグループを認識し、各会話を音声視覚入力から書き起こさなければならないテストベッドを提供する。
論文 参考訳(メタデータ) (2026-08-09T06:11:38Z) - Audio-Aware Large Language Models as Judges for Speaking Styles [123.36224336701237]
音声認識型大言語モデル(ALLM)を自動判断器として用いて音声の話し方を評価する。
4つの音声言語モデル(SLM)を用いて2つのタスクを完了し、人間とALMを用いてSLMの応答を判断する。
以上の結果から,現在のSLM,GPT-4o-audioでさえも,発話スタイルの制御や自然な対話生成に改善の余地があることが示唆された。
論文 参考訳(メタデータ) (2025-06-06T11:05:48Z) - Turn-Taking Prediction for Natural Conversational Speech [40.189938418201656]
一般的な会話的発話は、ターンテイクを伴う複数のクエリを含むことが多い。
障害としては、思考の一時停止、ためらうこと、単語の延長、ポーズの充満、繰り返し句などがある。
本稿では,エンド・ツー・エンド(E2E)音声認識器上に構築されたターンテイク予測器を提案する。
論文 参考訳(メタデータ) (2022-08-29T01:09:23Z) - Understanding How People Rate Their Conversations [73.17730062864314]
我々は、人々が会話エージェントとのインタラクションをどのように評価するかをよりよく理解するために研究を行う。
我々は、評価の変動を説明する変数として、同意性と外向性に焦点を当てる。
論文 参考訳(メタデータ) (2022-06-01T00:45:32Z) - Filling the Gap of Utterance-aware and Speaker-aware Representation for
Multi-turn Dialogue [76.88174667929665]
マルチターン対話は、2つ以上の異なる話者の役割から複数の発話からなる。
既存の検索に基づくマルチターン対話モデルでは、事前訓練された言語モデル(PrLM)をエンコーダとして、対話を粗く表現する。
本稿では,対話履歴に係わる効果的な発話認識表現と話者認識表現をモデル化することにより,そのようなギャップを埋める新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-09-14T15:07:19Z) - Speaker discrimination in humans and machines: Effects of speaking style
variability [18.055803318508318]
我々は、読み上げ音声とカジュアル会話における人間と機械の話者識別性能を比較した。
その結果,人間も機械もスタイル整合刺激により良好な性能を示した。
いずれの条件においても, 機械的結果と人間の反応を融合させることで, 単独よりも改善が見られた。
論文 参考訳(メタデータ) (2020-08-08T22:59:46Z) - Attention over Parameters for Dialogue Systems [69.48852519856331]
我々は,異なる対話スキルを個別にパラメータ化する対話システムを学び,AoP(Attention over Parameters)を通じてそれぞれを選択し,組み合わせることを学ぶ。
実験の結果,MultiWOZ,In-Car Assistant,Persona-Chatの複合データセット上での競合性能が得られた。
論文 参考訳(メタデータ) (2020-01-07T03:10:42Z)
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。