arXiv Computer Vision· Siyin Wang, Wenyi Yu, Terumi Chiba, Xianzhao Chen, Xiaohai Tian, Jun Zhang, Lu Lu, Chao Zhang·· 2 小时前AI 评分32
ELLSA 2：语音、表情与手势的全双工交互模型
Full-Duplex Interaction with Speech, Expressions and Gestures
AI 导读
ELLSA 2 是一个端到端全双工对话模型，联合优化语音交互与流式手势-表情生成，通过自回归分块合成器结合预训练声学特征与对话骨干的听说隐状态，在模型不说话时也能持续生成非语言动作。
来源：arXiv Computer Vision · arxiv.org