10 万小时真实对话数据集 Joy 发布：教语音模型学会人类何时插话
Scobleizer · x · 2026-10-30
voicearena 团队发布双通道对话数据集 Joy：10 万小时未经脚本设计的真人双人对谈，每位说话者独立音轨，覆盖 10 种语言、5 万名说话者，目标是让语音模型学会真实对话中的时机——何时倾听、何时插话、何时发出「嗯」。数据标注了实时发生的重叠、附和与停顿，平均每小时约 350 次重叠。此前这类自然双通道数据的上限不到 2000 小时，Joy 是数量级的跨越。Scobleizer 指出，多数语音 AI 仍靠 LLM 脚本加 TTS 学说话，而真人不是那样说话的，这类数据可能正是双工语音 agent 的瓶颈所在。
「多模态」频道最新
- Holo4D 入选 NeurIPS：视频凭空补出任意新机位重拍 — HirokatuKataoka · 2026-10-30
- WanGP 一键启动器上线 Pinokio,6GB 显存即可跑 AI 视频生成 — cocktailpeanut · 2026-10-30
- Wan2GP 新增 Deepy Prime:一句话生成游戏、互动故事和 3D 场景 — cocktailpeanut · 2026-10-30
- Simulon 新工具:一张照片把灭绝百年斑驴「复活」进现实场景 — TinfoilTricorn · 2026-10-30
- GPT Image + Seedream + LTX/MiniMax-H3：AI 拍出犯罪惊悚片片头 — magratheya_64 · 2026-10-30
- AI 剧集「The Engagement」第二季预热：Seedance 2.5 演技获赞 — AIandDesign · 2026-10-30