En este artículo, presentamos OpenS2S, un modelo lingüístico a gran escala (LSLM) de código abierto, transparente e integral para la interacción vocal empática. OpenS2S logra la generación de voz de baja latencia mediante una arquitectura de decodificación intercalada de streaming basada en el modelo empático de voz a texto BLSP-Emo. Integra un proceso automatizado de construcción de datos que sintetiza conversaciones de voz empáticas diversas, de alta calidad y a bajo coste, facilitando el aprendizaje integral. Aprovechamos modelos lingüísticos a gran escala para generar contenido empático e introducimos variación del hablante y emocional mediante un sistema controlable de texto a voz, creando un corpus de entrenamiento escalable con una rica diversidad paralingüística y mínima supervisión humana. Publicamos el modelo OpenS2S de código abierto, que incluye el conjunto de datos, las ponderaciones del modelo, el preentrenamiento y el código de ajuste, para apoyar a la comunidad investigadora en general y acelerar la innovación en sistemas de voz empática.
