语音体裁对回合结束检测器训练的重要性

回合结束（EoT）检测的研究大多集中于特征、模型和模态，而训练数据的语音体裁受到的关注要少得多。我们将这一因素单独分离出来。通过一套可复现的标注流程，我们构建了一对经过匹配的语料库：多回合人际对话语料库和单回合人机交互语料库，并分别在每个语料库上训练相同的流式 ConvLSTM EoT 检测器。在四个测试集上，对话模型的 F1 最高提升了 +0.45，这得益于其在回合中停顿和犹豫处产生的误报更少，而这些现象在单回合语料库中较为罕见。这种对话训练效应并不局限于帧级解码。在匹配的“是否完整”测试中，该效应同样出现在话语层面，并且在两种编码器上都成立，但仅适用于对话测试数据。因此，如果像大多数既有研究那样仅在单回合语音上进行测试，就会掩盖对话训练数据的优势。与开源基线相比，我们的 180 万参数模型在每个测试集上都取得了最高的 F1。