日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

対話システムarXiv:2606.03874

DyaPlex: 二者間対話のための全二重音声・動作モデル

DyaPlex: Full-Duplex Speech-Motion Model for Dyadic Interaction

シェア:XThreadsFacebookLINEはてブBluesky

二者間対話のための、音声と身体動作を同時にストリーミング生成・認識できる全二重モデルを提案し、既存の音声モデルに動作経路を統合して同期したマルチモーダル対話を実現した。

詳しい要約

1. どんなもの?

- 本論文は、二者間の対話(dyadic interaction)を対象とした、ストリーミングかつ全二重(full-duplex)の音声・動作モデル「DyaPlex」を提案する。 - エージェントが音声と身体動作の両方を同時に知覚・生成できる点が特徴。 - 基盤となる全二重音声モデルの強力な事前知識を活用し、新たな動作経路(motion pathway)を統合。 - 二重塔(dual-tower)Transformerアーキテクチャを採用し、凍結した音声モデルのゼロショット会話推論能力を保持しつつ、深く結合したストリーミング動作経路を構築。 - 統合的な二者間トークンインターリービング機構と、時間整合した音声・動作RoPEによるクロスアテンション誘導により、自己回帰的な動作を豊富な潜在音声特徴に整列。 - 4,000時間のSeamless Interactionデータセットで訓練され、単一話者および二者間の人間インタラクションベンチマークで新たな最先端性能を達成。

2. 先行研究と比べてどこがすごい?

- 従来の研究は音声と動作を別々に扱うか、非ストリーミングで二者間インタラクションを扱うことが多かった。 - DyaPlexは、全二重音声モデルのゼロショット会話推論能力を維持しつつ、動作経路を統合することで、同時知覚・生成を実現。 - 二者間の相互依存性(cross-speaker dependencies)を捉え、単一話者および二者間ベンチマークで最先端性能を達成した点が優れている。 - 具体的な比較対象は要旨からは不明。

3. 技術・手法の肝は?

- 基盤となる全二重音声モデルを凍結し、その上に動作経路を追加する二重塔Transformerアーキテクチャ。 - 統合的な二者間トークンインターリービング機構により、音声と動作のトークンを交互に配置。 - 時間整合した音声・動作RoPE(Rotary Position Embedding)を用いてクロスアテンションを誘導し、自己回帰的な動作生成を音声特徴に整列。 - ストリーミング処理により、リアルタイムでの同時知覚・生成を可能にする。 - 訓練には4,000時間のSeamless Interactionデータセットを使用。

4. どうやって有効だと検証した?

- 4,000時間のSeamless Interactionデータセットで訓練。 - 単一話者(monadic)および二者間(dyadic)の人間インタラクションベンチマークで評価。 - 両ベンチマークで新たな最先端性能を達成したと報告。 - 具体的な評価指標やベースラインとの比較詳細は要旨からは不明。

5. 議論はある?

- 要旨からは、限界や議論の詳細は不明。 - 提案手法が二者間の相互依存性を効果的に捉え、最先端性能を達成したと主張。 - 今後の課題や倫理的考慮については言及されていない。

6. 次に読むべき論文は?

- 基盤となる全二重音声モデル(具体的名称は要旨からは不明)。 - Seamless Interactionデータセット。 - 関連手法として、full-duplex speech model、dual-tower Transformer、RoPE(Rotary Position Embedding)を用いたマルチモーダルモデル。 - 同分野の定番として、音声と動作のマルチモーダルインタラクションに関する研究(例:speech-gesture generation、dyadic interaction modeling)。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Koki Nagano, Hongyu Liu, Seonwook Park, Tianye Li, Amrita Mazumdar, Christian Jacobsen, Shengze Wang, Michael Stengel, Rajarshi Roy, Ka Chun Cheung, Simon See, Shalini De Mello

分類: cs.CV, cs.RO

原文アブストラクト

We present DyaPlex, a streaming, full-duplex speech-and-motion model designed for dyadic interaction. To capture the continuous and reciprocal nature of human communication, this full-duplex capability empowers the agent to simultaneously perceive and generate both speech and physical motion in a streaming fashion. At its core, our method leverages the strong priors of a foundational full-duplex speech model and integrates a novel motion pathway, thereby achieving fully synchronized multi-modal interaction. Specifically, we design a dual-tower Transformer architecture that preserves the zero-shot conversational reasoning of a frozen base speech model while constructing a deeply coupled, streaming motion pathway. By introducing a unified dyadic token interleaving mechanism and guiding cross-attention via a time-aligned speech-motion RoPE, our model effectively aligns autoregressive motions with rich latent speech features. Trained on the 4,000-hour Seamless Interaction dataset, our model effectively captures cross-speaker dependencies and establishes new state-of-the-art performance across both monadic and dyadic human interaction benchmarks.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI