يقدم الباحثون DuplexChat، وهي مجموعة بيانات مفتوحة المصدر مصممة لمعالجة نقص البيانات المفصولة حسب المتحدث اللازمة لتدريب نماذج لغة الحوار الصوتي بنظام الدوبلكس الكامل. لإنشاء هذا المورد، طوروا DuplexChat-Pipe، وهو خط أنابيب يعالج بثات البودكاست العامة لاستخراج وفصل تدفقات الصوت.
- يقوم خط الأنابيب بتصفية البودكاست الخاصة بلغة معينة، وتنظيف صوت الحلقات، واستخدام الاستخراج الموجه بالتشخيص الصوتي لعزل مقاطع الحوار بين متحدثين.
- تُطبق تقنيات فصل الكلام واستعادته لإنتاج قنوات منفصلة لكل متحدث.
- تحتوي المجموعة الناتجة على 282,634 ساعة من كلام الحوار بنظام الدوبلكس الكامل باللغة الإنجليزية و132,723 ساعة باللغة اليابانية.
- يؤكد التحليل أن مجموعة البيانات تُظهر ديناميكيات تبادل الأدوار المميزة للمحادثات البشرية.
توفر هذه العمل مجموعة بيانات كبيرة وعالية الجودة تتيح تدريب نماذج حوار صوتي أكثر فعالية من خلال توفير بيانات الصوت المفصولة حسب المتحدث اللازمة.