kth.sePublikationer KTH
Systemuppdatering
På tisdag 18 augusti mellan kl. 12-13 kommer en planerad systemuppdatering av DiVA att ske. Under denna tid är DiVA inte tillgängligt.
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Show & Tell: Voice Activity Projection and Turn-taking
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Tal, musik och hörsel, TMH.ORCID-id: 0000-0003-3513-4132
KTH, Skolan för elektroteknik och datavetenskap (EECS), Intelligenta system, Tal, musik och hörsel, TMH.ORCID-id: 0000-0002-8579-1790
2023 (Engelska)Ingår i: Interspeech 2023, International Speech Communication Association , 2023, s. 2020-2021Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

We present Voice Activity Projection (VAP), a model trained on spontaneous spoken dialog with the objective to incrementally predict future voice activity. Similar to a language model, it is trained through self-supervised learning and outputs a probability distribution over discrete states that corresponds to the joint future voice activity of the dialog interlocutors. The model is well-defined over overlapping speech regions, resilient towards microphone “bleed-over” and considers the speech of both speakers (e.g., a user and an agent) to provide the most likely next speaker. VAP is a general turn-taking model which can serve as the base for turn-taking decisions in spoken dialog systems, an automatic tool useful for linguistics and conversational analysis, an automatic evaluation metric for conversational text-to-speech models, and possibly many other tasks related to spoken dialog interaction.

Ort, förlag, år, upplaga, sidor
International Speech Communication Association , 2023. s. 2020-2021
Nyckelord [en]
spoken dialog, text-to-speech, turn-taking
Nationell ämneskategori
Språkbehandling och datorlingvistik Datavetenskap (datalogi)
Identifikatorer
URN: urn:nbn:se:kth:diva-337875ISI: 001186650302038Scopus ID: 2-s2.0-85171575920OAI: oai:DiVA.org:kth-337875DiVA, id: diva2:1803881
Konferens
24th International Speech Communication Association, Interspeech 2023, August 20-24, 2023, Dublin, Ireland
Anmärkning

QC 20241014

Tillgänglig från: 2023-10-10 Skapad: 2023-10-10 Senast uppdaterad: 2025-02-01Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Scopus

Person

Ekstedt, ErikSkantze, Gabriel

Sök vidare i DiVA

Av författaren/redaktören
Ekstedt, ErikSkantze, Gabriel
Av organisationen
Tal, musik och hörsel, TMH
Språkbehandling och datorlingvistikDatavetenskap (datalogi)

Sök vidare utanför DiVA

GoogleGoogle Scholar

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 655 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf