Dans cet article, nous présentons OpenS2S, un modèle linguistique à grande échelle (LSLM) de bout en bout, transparent et entièrement open source pour l'interaction vocale empathique. OpenS2S permet une génération vocale à faible latence grâce à une architecture de décodage entrelacé en continu basée sur le modèle de conversion parole-texte empathique BLSP-Emo. Il intègre un pipeline de construction de données automatisé qui synthétise des conversations vocales empathiques diversifiées, de haute qualité et à faible coût, facilitant ainsi l'apprentissage de bout en bout. Nous exploitons des modèles linguistiques à grande échelle pour générer du contenu empathique et introduisons des variations entre les locuteurs et les émotions grâce à un système de synthèse vocale contrôlable, créant ainsi un corpus d'apprentissage évolutif offrant une riche diversité paralinguistique et une supervision humaine minimale. Nous publions le modèle OpenS2S entièrement open source, comprenant le jeu de données, les pondérations du modèle, le pré-entraînement et le code de mise au point, afin de soutenir la communauté de recherche au sens large et d'accélérer l'innovation dans les systèmes vocaux empathiques.
