控制遵循几何结构而非标签：全双工语音模型中的情绪表征方向
英文标题：Steering Follows Geometry, Not Labels: Emotion Directions in a Full-Duplex Speech Model
全双工语音智能体（Voice Agent）需要在实时对话中动态调节情绪与表达风格，以应对平息客户投诉、调度中传达紧迫感或缓和告知临床结果等复杂场景。传统的情绪与表达控制主要针对文本转语音（TTS）和轮流式对话系统进行研究，而本研究探讨了全双工端到端语音模型内部的情绪表征机制。研究发现，对模型情绪的操控和引导更遵循内部潜在空间的几何分布规律，而非单纯依赖预设的离散标签。这一发现为开发者实现低延迟、高自然度的实时双工语音情感控制提供了全新的理论依据与技术路径。
打开原文相关 2.4 · 机会 1
2.1 KB
640 B
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
arXiv:2610.08887v1 [cs.CL]
摘要
全双工语音智能体（Full-duplex voice agents）需要在实时对话中灵活调节情绪与表达方式，例如在平息投诉时缓和语气、在紧急调度中传达紧迫感、或在传达临床检测结果时表现温和。尽管情绪与表达控制在文本转语音（TTS）和基于轮次（turn-based）的对话系统中已得到深入研究，但在实时全双工语音场景下仍然面临挑战。本项研究探讨了全双工语音模型中的情绪方向表征，指出模型的行为导向（Steering）遵循的是内部特征空间的几何分布结构，而非表面的人工标签。
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×