自发说话的对话代理如何影响用户行为？

本研究考察了以自发语音训练的对话代理的合成语音对人类交互者的影响。具体而言，我们假设：当人类与具有基于自发语音构建的合成语音的对话代理交互时，会表现出更多的社交回应。通常，语音合成器构建于语音专业人员朗读一组书面句子的语料库之上。合成语音清晰如新闻播音员播报新闻或声优演绎动画角色。然而，这与我们日常对话中的自发语音大不相同。语音合成的最新进展使我们能够基于自发语音语料库构建语音合成器，并获得质量尚可的近似对话式合成语音。利用这些技术，我们检验了人类是否对自发说话的对话代理产生更多社交回应。我们开展了一项大规模对话实验，对话代理的语句分别由基于自发语音或朗读语音训练的模型合成。结果显示，与语句由自发语音合成的代理交互的受试者倾向于表现出更短的响应时间与更多的反馈信号。问卷结果表明，与语句由自发语音合成的代理交互的受试者倾向于将其与代理的对话评价为更接近人类对话。这些结果表明，基于自发语音的语音合成对于将对话代理实现为社交行动者至关重要。