A distributed dialog architecture with learning
Guðný Ragna Jónsdóttir · 2008
A wide range of conversational skills is required for conducting a fluid dynamic dialogue. Giving a computer controlled agent turntaking skills that function at a realtime pace in a human-like manner has been both a practical and theoretical goal of speech technology research for decades. Control of response timing - knowing when it is appropriate to interrupt, yield the turn, start responding, and the like - is one of the challenges in this endeavor. This thesis describes the use of machine learning to aid in the realtime classification and use of valid auditory perceptual cues for taking turns. A dialog system using these methods has been implemented and tested in dynamic interaction with itself and with humans. Results show that the system’s performance is very close to human speakers with regards to the timing of turntaking, correctly taking turns in as short as 235 msecs. In human conversation 70% of between-speaker silences are shorter than 500 msec. The system developed here approaches this, with 60% of between-speaker silences shorter than 500, learning this in online training sessions in roughly 80 turns.; Rannsoknir a margþatta samskiptakerfum sem herma eftir mannlegri samskiptahegðun eru fremur skammt a veg komnar og eðlileg munnleg samskipti við tolvur að sama skapi framtiðarsýn. Margslungnir samskiptahaefileikar eru nauðsynlegir til að vera gjaldgengur i opnum og oheftum samraeðum. Stýring a svartima - það að vita hvenaer er viðeigandi að svara, þegja, gripa frammi o.sv.frv. - er eitt af lykil atriðunum að settu marki. Folk notar ýmis merki eins og t.d. itonun til að gefa til kynna hvort það se að gefa orðið eða ekki. Þessi merki ma greina a margfalt skemmri tima en innihald tals. Kerfið sem her hefur verið þroað notar laerdomsaðferðir til að aðlagast samskiptahegðun viðmaelandans með þvi að laera sjalfvirkt a itonun og raddblae hans. Kerfið hefur verið utfaert og profað i samraeðum við sjalft sig og við folk. Niðurstoður sýna að kerfið kemst mjog nalaegt mannlegri hegðun hvað varðar svartima. Lengd þagna milli viðmaelenda i samtolum folks eru i 70% tilvika styttri en 500 millisekundur. Kerfið nalgast þetta, með 60% þagna styttri en 500 msek og allt að 30% styttri en 300 msek.