未经编排的通话很难大规模采集。如今的语音 AI 大多从 LLM 编写的虚假对话中学习，再由 TTS 朗读出来，因此它从未听到过……
Joy 是一个 10 万小时的真实、未经编排的双人对话数据集，涵盖 10 种语言，双声道分轨录制，每位说话人各有一条音轨。它旨在教会语音模型人类真实的交谈方式——何时倾听、何时插话、何时迟疑——而不是只从 LLM 编写、TTS 朗读的对话中学习。这很重要，因为今天的语音 AI 很少听到人们互相打断说话，而这类真实对话数据正是为了弥补这一缺口。
报道来源
- Rohan Paul2026-10-29 18:06