三方多方语音活动投影用于口语对话系统的语气转换

语气转换是口语对话中的基本组成部分，但通常的研究大多涉及二方场景。本文聚焦于将语音活动投影（VAP）应用于预测三方多方场景下的未来语气转换。VAP模型的目标是仅利用声学数据预测每个说话者的未来语音活动。这项工作首次将VAP扩展到三方对话场景。我们在日本一个包含多种话题讨论的三方数据集上训练了多个模型。我们发现，所有模型的三方对话训练的VAP都优于基线模型，但话语类型的不同会影响准确率。这项研究表明，VAP可用于三方对话场景中的语气转换。未来的工作将将该三方VAP语气转换模型集成到口语对话系统中。