972 B
972 B
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、论文
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。