很高兴看到不再是几十年前的电话录音的对话数据。对话关键在时机。这是我见过的第一个真正围绕这一点打造的数据集发布……
这条帖子介绍的是 VoiceArena 的 Joy：一个双通道的真实、无脚本对话数据集，每位说话人各占一条音轨，旨在教语音模型人们实际是怎么交谈的——何时倾听、何时插话、何时说“嗯”。这次发布涵盖 10 万小时对话，发布者表示这只是开始，10 倍、100 倍的数据量可能会带来很大不同。它的意义在于，如今的语音 AI 大多从由文本转语音朗读的编排对话中学习，因此捕捉真实对话节奏的数据有望让语音模型听起来自然得多。
报道来源
- Elvis Saravia2026-10-29 18:25