仅62.3小时合成对话，让语音助手唤醒后秒懂你该不该接话！
Training Intelligent Voice Assistant Wakeup with Controllable Synthetic Conversations
📖 AI 总结
该论文提出了一种新型语音助手唤醒系统，在传统直接关键词检测的基础上增加了上下文触发检测能力。系统在初始唤醒词激活后，通过推理机制区分用户指令与无关语音，从而实现更高效、更具上下文感知的交互。为支撑这一方法，作者构建了一套数据生成架构，可产出可控的多说话人对话语料库，总时长62.3小时，涵盖直接唤醒、上下文后续指令及非针对性语音三类场景。实验结果表明，该方法在多种合成对话场景下均表现有效。作者同时开源了代码、数据集和训练模型，以促进可复现性和智能助手技术的后续研究。
🔑 关键词速览
| Wake word detection | 唤醒词检测，指设备持续监听并识别特定关键词（如“Hey Siri”）以启动交互的技术。 |
| Contextual trigger detection | 上下文触发检测，在初始唤醒后根据对话上下文判断后续语音是否针对助手，而非仅依赖关键词。 |
| Controllable multi-speaker conversations | 可控多说话人对话，指可指定说话人、话题及交互类型（如直接唤醒、后续对话）的合成对话数据。 |
| Non-addressed speech | 非指向性语音，指并非对助手发出的语音，系统需将其与用户命令区分开以避免误触发。 |
| Reproducibility | 可复现性，指公开代码、数据和模型以便其他研究者重复实验结果并验证结论。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅