Joy 发布 10 万小时双轨真实对话数据集，覆盖 10 种语言
Unscripted calls are hard to collect at scale.
Shobhit Banga 发布双轨对话数据集 Joy，包含 10 万小时真实、非脚本化的双人对话，每人在独立音轨，覆盖 5 万名说话人和 10 种语言。Rohan Paul 指出，当前语音 AI 主要用 LLM 编写、TTS 朗读的虚假对话训练，听不到人们互相抢话，他对这些对话如何维持 10 到 20 分钟感到好奇。
查看原帖第 1/15 期：隆重推出 Joy，一个双声道对话数据集。 两个人之间真实、非脚本化的对话，每人各占一条音轨。旨在教会语音模型人们实际是如何交谈的：何时倾听、何时插话、何时说“嗯”。 10 万小时。 5 万名说话人。 10 种语言。
查看原文
Drop 1/15: Introducing Joy, a dual-channel conversational dataset. Real, unscripted conversations between two people, each on their own track. Built to teach voice models how people actually talk: when to listen, when to jump in, when to say “hmm”. 100,000 hours. 50,000 speakers. 10 languages.
正文 · AI 翻译
无脚本的通话很难大规模收集。 如今的语音 AI 主要从 LLM 编写的虚假对话中学习，再由 TTS 朗读出来，因此它从未听到过人们互相抢话；
真好奇他们是如何让对话持续 10 到 20 分钟的。
他们发布了 Joy，包含 10 万小时无脚本的双人对话，覆盖 10 种语言
https://t.co/KFRib2aMI6