SpokenTOD
收藏资源简介：
SpokenTOD是一个英文口语任务型对话数据集，由SpokenTOD增强流水线创建，用于训练SpokenUS（一种任务型对话的口语用户模拟器）。该流水线在任务型对话中引入跨轮槽位、打断、不流畅和情感标签等自然口语现象，并基于参考音频进行语音合成，语音合成采用Qwen3-TTS的“Voice Design then Clone”流程。数据集包含来自多个源数据集（SpokenWOZ、EmoWOZ、Schema-Guided Dialogue、ABCD、Taskmaster-2）的对话记录，并划分为训练集、验证集和测试集。每个对话记录包含对话ID、来源、目标（文本和结构化表示）以及对话轮次列表。每个轮次包含角色（用户/助手）、文本、槽位标注（槽名、值、起始位置）、可选的标注（不流畅标签）、情感（标签和名称）、不流畅结构化标注、跨轮段信息、状态、打断信息以及音频路径（如果数据集包含原生音频）。该数据集适用于口语对话系统、任务型对话建模、语音合成、情感识别、不流畅检测等研究任务。
SpokenTOD is an English spoken task-oriented dialogue dataset created by the SpokenTOD augmentation pipeline for training SpokenUS, a spoken user simulator for task-oriented dialogue. The pipeline introduces natural spoken phenomena such as cross-turn slots, interruptions, disfluencies, and emotion labels into task-oriented dialogues, and performs speech synthesis based on reference audio using the Qwen3-TTS Voice Design then Clone process. The dataset contains dialogues from multiple source datasets (SpokenWOZ, EmoWOZ, Schema-Guided Dialogue, ABCD, Taskmaster-2) and is split into training, validation, and test sets. Each dialogue includes a dialogue ID, source, goal (text and structured representation), and a list of turns. Each turn contains role (user/assistant), text, slot annotations (slot name, value, start position), optional annotations (disfluency label), emotion (label and name), disfluency structural annotation, cross-turn segment information, state, interruption information, and audio path (if the dataset includes native audio). The dataset is suitable for research on spoken dialogue systems, task-oriented dialogue modeling, speech synthesis, emotion recognition, and disfluency detection.
SpokenTOD数据集概述
基本信息
- 数据集名称：SpokenTOD
- 许可协议：CC-BY-4.0
- 任务类型：音频到音频（audio-to-audio）
- 语言：英语
- 标签：口语对话、任务型对话、语音合成
数据集简介
SpokenTOD是一个英文口语任务型对话数据集，通过SpokenTOD增强流水线构建，用于训练SpokenUS（口语用户模拟器）。该流水线为任务型对话增加了跨轮槽位、打断、不流畅和情感标签等现象，并基于参考音频进行语音合成（使用Qwen3-TTS的Voice Design then Clone工作流）。
数据集结构
数据集分为以下三个目录：
train/（训练集）validation/（验证集）test/（测试集）
每条对话记录包含以下字段：
dialogue_id：对话IDsource：数据来源（emowoz、sgd、abcd、tm2、spokenwoz）goal：对话目标（文本和结构化形式）turns：对话轮次列表，每轮包含：role：发言角色（用户或助手）text：文本内容slots：槽位信息tagged：不流畅标签（可选）emotion：情感标注disfluency：结构化不流畅注释segment：跨轮段信息state：状态信息bargein：打断类型及子类型audio_path：音频路径（适用于含原生音频的数据集）
speaker：发言者信息assistant_speaker：助手发言者信息metadata：元数据
数据来源与许可
SpokenTOD由多个源数据集派生而来，各源数据集的具体许可如下：
| 源数据集 | 许可证 | 要求 |
|---|---|---|
| SpokenWOZ | CC BY-NC 4.0 | 仅限非商业使用，需注明出处 |
| EmoWOZ | CC BY-NC 4.0 | 仅限非商业使用，需注明出处 |
| Schema-Guided Dialogue (SGD) | CC BY-SA 4.0 | 需保留署名并遵守相同方式共享 |
| ABCD | MIT License | 需保留版权和许可声明 |
| Taskmaster-2 | CC BY 4.0 | 需注明出处 |
另外，语音合成中使用了Speech Accent Archive的参考音频，但该档案的原始录音、转录和元数据不包含在本发布中。
数据集维护者
由Jongguen Lee、Junseong Pyo、Jeongmin Park和Yohan Jo创建。
引用信息
引用该数据集时，请引用以下论文：
@misc{lee2026spokenusspokenusersimulator, title={SpokenUS: A Spoken User Simulator for Task-Oriented Dialogue}, author={Jonggeun Lee and Junseong Pyo and Jeongmin Park and Yohan Jo}, year={2026}, eprint={2603.16783}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2603.16783}, }
