MENASpeechBank：用于AudioLLMs的带人格条件多轮对话参考语音库
声音
2026-02-10 v1 人工智能
计算与语言
音频与语音处理
摘要
Audio大语言模型（AudioLLMs）使语音和通用音频能够遵循指令，但进展受限于缺乏多样化、对话式、指令对齐的语音-文本数据。这一瓶颈在人格化交互和方言覆盖方面尤为突出，因为收集和发布真实的多说话人录音数据成本高昂且耗时。我们介绍了MENASpeechBank，一个约由124名说话人（覆盖多个中东和北非地区）提供约18K条高质量语音的参考语音库，覆盖英语、现代标准阿拉伯语（MSA）和地区阿拉伯方言。基于这一资源，我们开发了一个可控的合成数据管道：（i）构建具有基于世界价值调查（WVS）启发的属性丰富的人格轮廓，（ii）定义约5K种对话场景范畴，（iii）通过语义相似性将人格与场景匹配，（iv）生成约417K条角色扮演对话，其中用户以人格身份发声，助手表现为乐于助人的智能体，（v）以参考说话人音频为条件合成用户发言，以保留说话人身份和多样性。我们对合成语音和人工录制的语音进行了评估，并提供了详细分析。我们将公开发布MENASpeechBank及生成的对话，以供社区使用。
引用
@article{arxiv.2602.07036,
title = {MENASpeechBank: A Reference Voice Bank with Persona-Conditioned Multi-Turn Conversations for AudioLLMs},
author = {Zien Sheikh Ali and Hunzalah Hassan Bhatti and Rabindra Nath Nandi and Shammur Absar Chowdhury and Firoj Alam},
journal= {arXiv preprint arXiv:2602.07036},
year = {2026}
}
备注
Foundation Models, Large Language Models, Native, Speech Models, Arabic, AI-persona, Persona-conditioned-conversations