14 lines
972 B
Markdown
14 lines
972 B
Markdown
|
# Triadic Multi-party Voice Activity Projection for Turn-taking in Spoken Dialogue Systems
|
||
|
|
|
||
|
|
- 作者：Mikey Elmers、Koji Inoue、Divesh Lala、Tatsuya Kawahara
|
||
|
|
- 发表：Interspeech 2025
|
||
|
|
- 阅读深度：重点输入、模型和标签章节
|
||
|
|
- 记录日期：2026-08-28
|
||
|
|
- 来源：[ISCA](https://www.isca-archive.org/interspeech_2025/elmers25_interspeech.html)、[论文](https://www.isca-archive.org/interspeech_2025/elmers25_interspeech.pdf)
|
||
|
|
|
||
|
|
## 摘要与项目关系
|
||
|
|
|
||
|
|
将 dyadic VAP 扩展为三人的未来活动预测，通过逐通道表示及跨通道 attention 学习互动，并加入当前活动辅助目标。研究使用三路独立领夹麦克风及既往活动信息。
|
||
|
|
|
||
|
|
启发是将多人活动结构作为预测目标，而不是合并为 others 后再学习所有关系。但它不是单声道视觉落地方案，固定人数联合状态也不自动推广到动态人数。我们的 `local.audio` 不能复制三遍就声称复现了该输入条件。
|