Pesquisadores apresentam o DuplexChat, um corpus de código aberto projetado para abordar a falta de dados separados por falante necessários para treinar modelos de linguagem de diálogo falado em full-duplex. Para criar este recurso, eles desenvolveram o DuplexChat-Pipe, um pipeline que processa feeds públicos de podcasts para extrair e separar fluxos de áudio.
- O pipeline filtra podcasts específicos do idioma, limpa o áudio dos episódios e usa extração guiada por diarização para isolar clipes de diálogo de dois falantes.
- Técnicas de separação e restauração de fala são aplicadas para produzir canais distintos para cada falante.
- O corpus resultante contém 282.634 horas de inglês e 132.723 horas de japonês de fala em diálogo full-duplex.
- A análise confirma que o conjunto de dados exibe dinâmicas de turnos características de conversas humanas.
Este trabalho fornece um conjunto de dados em larga escala e de alta qualidade que permite o treinamento de modelos de diálogo falado mais eficazes, oferecendo os dados de áudio separados por falante necessários.