arXiv cs.AI· Yanis Labrak, David Gr\"unert, S\'everin Baroudi, Jiyun Chun, Pawel Cyrta, Sergio Burdisso, Ahmed Hassoon, David Liu, Adam Rothschild, Reed Van Deusen, Petr Motlicek, Andrew Perrault, Ricard Marxer, Thomas Schaaf·· 3 天前AI 评分27
面向长音频摘要的合成医患对话数据集发布
Generating Synthetic Doctor-Patient Conversations for Long-form Audio Summarization
AI 导读
研究者提出一套合成数据生成流程，用于长上下文音频推理的训练与评测，并以首诊医患对话生成 SOAP 病历为任务实例化。该流程完全基于开放权重模型，包含人设驱动对话生成、带重叠/停顿建模与房间声学及声音事件的多说话人音频合成、LLM 生成参考 SOAP 病历三个阶段，已发布 8,800 段合成对话、1.3k 小时音频及参考病历。
正文 · AI 翻译
作者：Yanis Labrak、David Grünert、Séverin Baroudi、Jiyun Chun、Pawel Cyrta、Sergio Burdisso、Ahmed Hassoon、David Liu、Adam Rothschild、Reed Van Deusen、Petr Motlicek、Andrew Perrault、Ricard Marxer、Thomas Schaaf
摘要：长上下文音频推理在训练数据和评估两方面都未得到充分关注。现有基准针对的是短上下文任务，而与长上下文推理最相关的开放式生成任务给自动评估带来了众所周知的挑战。我们提出了一条合成数据生成流水线，既可作为训练资源，也可作为受控评估环境，并将其实例化用于初诊医患对话，任务为生成 SOAP 病历。该流水线包含三个阶段：角色驱动的对话生成、带重叠/停顿建模的多说话人音频合成、房间声学与声音事件，以及基于 LLM 的参考 SOAP 病历生成，完全构建于开放权重模型之上。我们发布了 8,800 段合成对话，对应 1.3k 小时音频及参考病历。在评估当前开放权重系统时，我们发现级联方法仍显著优于端到端模型。
| 评论： | 发表于 Interspeech 2026。v2 为正式发表版本；修复一个 bug 后结果已更正：端到端系统与级联系统现在表现相当（每项主张的幻觉率 32% 对 22-24%） |
| 主题： | 声音 (cs.SD)；人工智能 (cs.AI) |
| 引用为： | arXiv:2604.06138 [cs.SD] |
| （或 arXiv:2604.06138v2 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2604.06138 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | Proc. Interspeech 2026, 4384-4389 |
| 相关 DOI： | https://doi.org/10.21437/Interspeech.2026-2901
链接到相关资源的 DOI |
提交历史
来自：Yanis Labrak [查看邮箱]
[v1]
2026年4月7日星期二 17:45:07 UTC (662 KB)
[v2]
2026年10月11日星期日 09:25:04 UTC (639 KB)
来源：arXiv cs.AI · arxiv.org