From Cascaded Speech Systems to Omni-Modal Agents: A Survey of Speech Interaction for Next-Generation Human-Computer Interaction
Diese Übersicht zeichnet die Evolution der Sprachinteraktion von traditionellen kaskadierten Systemen hin zu vereinheitlichten omnimodalen Agenten nach, indem sie die Architekturen, Trainingsstrategien und die Data Governance von SpeechLLMs und Omni-MLLMs systematisch analysiert und gleichzeitig zentrale Herausforderungen sowie zukünftige Richtungen für die nächste Generation der Mensch-Computer-Interaktion identifiziert.