Joy发布10万小时双通道对话数据集

shobhitbanga 发布 Joy，一个双通道对话数据集，包含 10 万小时、5 万说话人、10 种语言的真实非脚本双人对话，用于训练语音模型理解何时倾听、何时插话。 Rohan Paul 转发时称，当前语音 AI 多从 LLM 生成、TTS 朗读的假对话学习，听不到人们互相抢话。他同时提出疑问：这些对话如何维持 10 到 20 分钟。其配图显示，Joy 平均每小时说话人重叠约 350 次、backchannel 约 300 次。

AI 根据报道生成 · 56 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。