Multimodal Voice Activity Projection for Turn-Taking in Social Robots with Voice-Activity-Related Pretrained Encoders
arXiv:2607.07294v1 Announce Type: new Abstract: Turn-taking prediction is a key requirement for social robots involved in human-human interaction, particularly in mediator settings, where the robot must anticipate conversational dynamics rather than merely react to pauses. This work presents a Multimodal Voice Activity Projection (MM-VAP) framework that extends the original audio-only VAP formulation to synchronized audio-visual inputs while preserving its self-supervised future-projection objec...
arXiv cs.RO
·Antonio Cano, Guillermo P\'erez, Luis Merino, Randy Gomez
·
// relacionados
Leia também
Blog
Como a Deutsche Telekom está reconfigurando as telecomunicações com IA
Blog
Uma Avaliação de Confiabilidade de Juízes de Áudio LALM para Agentes de Voz Full-Duplex
Blog
VSRo-200: Um Conjunto de Dados de Reconhecimento Visual de Fala em Romeno para Estudar Supervisão e Robustez Multimodal
Blog