arXiv cs.CL· Manato Yaguchi, Yotaro Kubo, Hikaru Asano, So Kuroki·· 2 天前AI 评分32
KAME：用随机引导在串联语音到语音模型中学习自然对话行为
Learning Natural Conversational Behavior in Tandem Speech-to-Speech Models with Randomized Guidance
AI 导读
KAME 提出随机中间引导（randomized intermediate guidance），直接从对话语料提取引导信号，省去模拟 LLM 生成缺失引导的数据准备开销。在合成对话上，其回复质量与 LLM 生成引导、相似度基线相当。用 3.8k 小时真实对话训练后，轮次切换更顺畅、audio-judge 自然度优于合成数据版 KAME，并保持对 Moshi 的回复质量优势。
来源：arXiv cs.CL · arxiv.org