TamilEOT：面向泰米尔语电话语音语义轮次结束检测的数据集与模型

查看 PDF HTML（实验性）

摘要：语音智能体必须在每次停顿时判断说话人是已经说完还是仍在思考。在没有语言模型的情况下，系统只能退回到固定的静默超时：太短，智能体会打断；太长，每一轮都要付出完整的等待。我们发布 TamilEOT，据我们所知，这是首个面向南印度语语义轮次结束检测的开放数据集和检测器：来自 116 通真实泰米尔语电话对话的 18,485 个标注轮次边界，两个基于 Smart Turn v3 架构的纯音频检测器，以及一个包含 4,774 个完整轮次及其停顿结构的轮次级配套集。在来自 30 通未见通话的 4,168 个片段的留出划分上，准确率从零样本的 70.30% 提升到 83.71%（8.7 MB）和 86.13%（21 MB）；ROC-AUC 从 0.751 提升到 0.921。两者在笔记本电脑 CPU 上单线程运行均不到 150 ms。我们还报告了构建它的代价。我们的规则推导负类标签与盲测人工标注相比得分 44.4%，低于随机水平，因为规则回答的问题与模型被要求回答的问题不同；一个一致性达 97.5% 的音频 LLM 标注器以 5.69 美元取代了它们。在六个训练杠杆中，只有编码器容量改变了结果：三次相同运行跨度达 0.87 个准确率百分点，低于此下限的其他结果都不构成发现。将标注边界通过生产 VAD 和流式适配器回放会再损失 2.60 个百分点，且 7.8% 的边界根本不会到达模型。数据、权重、代码和每一项负面结果均已公开。

评论：	14 页，7 张表。代码、数据和模型：此 https URL
主题：	计算与语言（cs.CL）；人工智能（cs.AI）；声音（cs.SD）
ACM 分类：	I.2.7
引用为：	arXiv:2609.05631 [cs.CL]
	（或 arXiv:2609.05631v2 [cs.CL] 用于此版本）
	https://doi.org/10.48550/arXiv.2609.05631 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Santhoshkumar V [查看电子邮件]
[v1] 2026 年 9 月 4 日星期五 18:09:11 UTC（17 KB）
[v2] 2026 年 10 月 30 日星期五 17:55:34 UTC（19 KB）