Agentic-DuplexGen：解耦合成对话语音的内容、时序和声学

合成会话语音已成为开发和评估会话语音系统的重要资源。然而，现有的对话合成管道通常首先生成对话内容，然后使用手工标记或计时规则插入中断、重叠和反向通道，从而使对话计时成为规定的而不是交互驱动的。我们提出了 Agentic-DuplexGen，这是一个对话合成框架，可以明确地解耦内容、时间和声学。 LLM 首先生成对话脚本，然后两个全双工对话模型在实时收听对方的同时执行脚本。这使得对话时间自然出现，同时保留脚本内容。最后，高保真文本转语音模型重新呈现交互而不改变其时间。作为所提出框架的演示，我们构建了一个带有构建时注释的患者-临床医生会话语音语料库，包括单词时间戳、说话者活动、重叠区域和交互事件。实验结果表明，与传统的基于拼接的合成相比，所提出的框架产生的对话动态更接近真实对话。