研究人员推出了 DuplexChat，这是一个开源语料库，旨在解决训练全双工对话语言模型所需的说话人分离数据不足的问题。为了创建这一资源，他们开发了 DuplexChat-Pipe，一个处理公开播客流以提取和分离音频流的管道。

  • 该管道过滤特定语言的播客，清理剧集音频，并使用基于说话人识别的提取方法来隔离双人对话片段。
  • 应用语音分离和恢复技术为每位说话人生成独立的声道。
  • 生成的语料库包含 282,634 小时英语和 132,723 小时日语的全双工对话语音。
  • 分析证实该数据集表现出人类对话中典型的轮流发言动态。

这项工作提供了一个大规模、高质量的数据集，通过提供必要的说话人分离音频数据，使得训练更有效的对话语音模型成为可能。