BanglaTurn：孟加拉语音中回合结束检测的基于基准和耳语的模型

本文介绍了 BanglaTurn，一个用于孟加拉会话语音中的回合结束检测的语料库，以及一个在其上训练的模型。该语料库包含 35,374 个 3 到 15 秒的播客语音样本，通过将说话人分类与 LLM 通行证相结合来标记轮流状态，然后由人工注释者检查每个标签。该模型将 Whisper 编码器与特定于任务的分类头配对。在从保留的播客中提取的类别平衡测试集上，它的准确率达到 84.33%（95% CI 80.3 至 88.1），而 Smart-Turn v3 基线的准确率为 69.28%，并将假阴性率从 51.57% 降低到 7.55%，但代价是假阳性率较高。我们报告了编码器层微调、多尺度池化和 INT8 量化各自的贡献，并且 CPU 上的端到端延迟保持在 165 到 191 毫秒内。