Moshi 全双工语音模型的情感引导遵循几何结构而非标签
Steering Follows Geometry, Not Labels: Emotion Directions in a Full-Duplex Speech Model
AI 导读
研究者在全开源全双工语音语言模型 Moshi 上测试了四种情感（happy、angry、surprise、sad）的激活引导，采用均值差激活引导，每帧仅需少量向量加法且无需重训练。结果显示情感可从 Moshi 的残差流中线性解码，但激活引导仅部分可行且不均衡：happy、angry、surprise 引导向共享方向，而 sad 可被独立引导，且该共享成分无法被等量地从所有情感中投影剔除。