|
Download README.md from rice404/SemanticVAD-Dataset: direct link, hf CLI and curl.
- Browser
- Download file 5.79 kB
-
https://huggingface.co/datasets/rice404/SemanticVAD-Dataset/resolve/main/README.md
- Command line
-
hf download hf://datasets/rice404/SemanticVAD-Dataset/README.md
-
curl -L -o README.md https://huggingface.co/datasets/rice404/SemanticVAD-Dataset/resolve/main/README.md
5.79 kB
metadata
license: apache-2.0
size_categories:
- 10K<n<100K
language:
- zh
- en
tags:
- chat
- dialog
- full-duplex
SemanticVAD 对话状态检测数据集 🌟
数据集简介
本数据集为全双工人机语音交互系统提供语义级语音活动检测(Semantic Voice Activity Detection)任务的训练与测试支持,包含15,000条训练样本和4,400条测试样本,标注质量经过大模型验证优化。
SemanticVAD 💡
SemanticVAD 通过语义理解实现智能对话状态检测,通常由轻量级语言模型实现。
- 输入:人机交互文本(含历史与实时对话内容) + 当前发言人标识(
'human'(用户)/'agent'(模型)) - 输出:四类控制标签
- 🗣️ human 发言时:
- <完成>: 用户语义完全,模型可以开始回复。
- <未完>: 用户语义未完,模型继续等待用户输入。
- 🤖 agent 发言时:
- <打断>: 用户试图抢夺话题主导权,模型需停止当前回复并聆听用户的新发言。
- <附和>: 用户赞同模型发言,模型可以继续输出。
- 🗣️ human 发言时:
数据集结构 🗂️
训练集(15,000条)
数据分布及来源:
标签类型 中文数据量(来源) 英文数据量(来源) <打断> 3,000(MagicData-RAMC真实场景 + Ke-SpeechChat 多轮对话) 1,500(Ke-SpeechChat 单轮合成对话拼接) <附和> 3,000(MagicData-RAMC真实场景) 1,500(CANDOR真实对话) <未完> 2,000(Ke-SpeechChat 多轮合成对话) 1,000(Ke-SpeechChat 单轮合成对话) <完成> 2,000(Ke-SpeechChat 多轮合成对话) 1,000(Ke-SpeechChat 单轮合成对话) 数据格式为alpaca,样例如:
{ "instruction": "# Dialog\nHuman[历史]:怎么把人工智能技术用在虚拟现实开发上呢?\nAgent[实时]:将人工智能技术应用到虚拟现实开发中,可以通过智能算法来提升用户体验,比如使用机器学习来创建更真实的虚拟角色\nHuman[实时]:那具体是怎么实现的?比如说,如\n", "input": "", "output": "<打断>", "system": "# Role\n你是人机实时交互的**用户行为分析**模块,你将收到包含部分历史信息的 Human 和 Agent 最新实时对话记录 (Dialog)\n\n# 任务\n当前【Agent正在发言】,在此过程中,你需要基于对话分析 Human 的意图属于 <打断> 还是 <附和>\n\n# 输出\n不要有多余的分析,仅严格输出以下二者之一: <打断> 或 <附和>\n\n# 判断标准\n## <打断> 的情况\nHuman 行为: 试图抢夺话题主导权\n特征包括:\n- 提供新概念/词汇/判断(如命名、定性、对比)\n- 提出问题或异议\n- 引入与当前话题无关的新话题\n\n## <附和> 的情况\nHuman 行为: 赞同 Agent, 期望 Agent 继续说\n特征包括:\n- 使用零内容反馈(嗯/啊/对)\n- 机械重复 Agent 中的原词/同义词\n- 表达简单的确认或同意(如“是的”、“没错”)\n", "source": "Ke-多轮", "lang": "中文" },
测试集(4,400条)
- 来源:Tencent Full-Duplex Spoken Dialogue Systems 测试集
- 数据分布:每类各1100条
- 标注保障:经Qwen2.5-72B-Instruct进行标签校验与修正
原始数据来源
本数据集融合以下公开资源,均已进行合规化处理:
- MagicData-RAMC 数据集
@article{yang2022open,
title={Open Source MagicData-RAMC: A Rich Annotated Mandarin Conversational (RAMC) Speech Dataset},
author={Yang, Zehui and Chen, Yifan and Luo, Lei and Yang, Runyan and Ye, Lingxuan and Cheng, Gaofeng and Xu, Ji and Jin, Yaohui and Zhang, Qingqing and Zhang, Pengyuan and others},
journal={arXiv preprint arXiv:2203.16844},
year={2022}
}
- CANDOR 数据集
@article{reece2023candor,
title={The CANDOR corpus: Insights from a large multimodal dataset of naturalistic conversation},
author={Reece, Andrew and Cooney, Gus and Bull, Peter and Chung, Christine and Dawson, Bryn and Fitzpatrick, Casey and Glazer, Tamara and Knox, Dean and Liebscher, Alex and Marin, Sebastian},
journal={Science Advances},
volume={9},
number={13},
pages={eadf3197},
year={2023},
publisher={American Association for the Advancement of Science}
}
- Tencent Full-Duplex Spoken Dialogue Systems 测试集
@misc{zhang2025llmenhanceddialoguemanagementfullduplex,
title={LLM-Enhanced Dialogue Management for Full-Duplex Spoken Dialogue Systems},
author={Hao Zhang and Weiwei Li and Rilin Chen and Vinay Kothapally and Meng Yu and Dong Yu},
year={2025},
eprint={2502.14145},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2502.14145},
}
- Ke-SpeechChat 数据集
@misc{KE-SemanticVAD,
title={Advancing Speech Language Models by Scaling Supervised Fine-Tuning with Over 60,000 Hours of Synthetic Speech Dialogue Data},
author={Shuaijiang Zhao and Tingwei Guo and Bajian Xiang and Tongtang Wan and Qiang Niu and Wei Zou and Xiangang Li},
year={2024},
eprint={2412.01078},
archivePrefix={arXiv},
primaryClass={cs.CL},
url={https://arxiv.org/abs/2412.01078},
}
Citation
Please cite our Hugging-Face when using our code, data or model.
@misc{KE-SemanticVAD,
author = {KE-TEAM},
title = {KE-SemanticVAD},
year = {2025},
publisher = {Hugging Face},
url = {https://huggingface.co/KE-Team/KE-SemanticVAD}
}