ActorMind：模拟人类演员推理进行语音角色扮演

角色扮演越来越受到关注，因为它为人机交互提供了坚实的基础，并促进了社会学研究。然而，目前的工作仅限于文本形式，忽视了在日常生活中起着主导作用的言语，从而限制了真正的角色扮演。为了弥补这一差距，我们通过 ActorMindBench 对语音角色扮演进行概念化和基准测试，并提出了一个相应的推理框架，称为 ActorMind。具体来说，(1) 语音角色扮演使模型能够根据角色、场景和口头对话提供具有个性化言语特征的自发响应。 (2) ActorMindBench 是一个分层基准，包括具有 7,653 个话语的话语级内容、具有 313 个场景的场景级内容和具有 6 个角色的角色级内容。 (3) ActorMind 是一个现成的、多智能体、链式推理框架，可以模拟人类演员在剧院中的表演。具体来说，ActorMind 首先通过 Eye Agent 读取指定的角色描述，然后通过 Ear Agent 理解上下文对话中的情感线索。随后，Brain Agent 生成描述性的情绪状态，最后，Mouth Agent 传递注入相应情绪状态的脚本。实验结果证明了 ActorMind 在增强语音角色扮演方面的有效性。