Fugu-MT 論文翻訳(概要): EML System Description for VoxCeleb Speaker Diarization Challenge 2020

論文の概要: EML System Description for VoxCeleb Speaker Diarization Challenge 2020

arxiv url: http://arxiv.org/abs/2010.12497v1
Date: Fri, 23 Oct 2020 16:01:28 GMT
ステータス: 処理完了
システム内更新日: 2022-10-03 23:44:09.936401
Title: EML System Description for VoxCeleb Speaker Diarization Challenge 2020
Title（参考訳）: voxceleb speaker diarization challenge 2020のためのemlシステム記述
Authors: Omid Ghahabi, Volker Fischer
Abstract要約: 本報告では,最初のVoxCeleb話者ダイアリゼーション課題について述べる。チャレンジの最初のフェーズでは、トレーニングに使用したのはVoxCeleb2開発データセットのみだった。ダイアリゼーションプロセス全体のリアルタイム係数は、1つのCPUマシンを使用して約0.01である。
参考スコア（独自算出の注目度）: 6.396288020763144
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This technical report describes the EML submission to the first VoxCeleb speaker diarization challenge. Although the aim of the challenge has been the offline processing of the signals, the submitted system is basically the EML online algorithm which decides about the speaker labels in runtime approximately every 1.2 sec. For the first phase of the challenge, only VoxCeleb2 dev dataset was used for training. The results on the provided VoxConverse dev set show much better accuracy in terms of both DER and JER compared to the offline baseline provided in the challenge. The real-time factor of the whole diarization process is about 0.01 using a single CPU machine.
Abstract（参考訳）: この技術報告では、最初のVoxCeleb話者ダイアリゼーションチャレンジへのEMLの提出について述べる。この課題の目的は信号のオフライン処理であるが、送信されたシステムは基本的に、約1.2秒毎に実行中の話者ラベルを決定するEMLオンラインアルゴリズムである。チャレンジの最初のフェーズでは、トレーニングに使用したのはVoxCeleb2開発データセットのみだった。提供されるVoxConverse開発セットの結果は、チャレンジで提供されるオフラインベースラインと比較して、DERとJERの両方の点ではるかに正確である。ダイアリゼーションプロセス全体のリアルタイム要因は、単一のcpuマシンを使用して約0.01である。

関連論文リスト

DiariST: Streaming Speech Translation with Speaker Diarization [53.595990270899414]
本稿では,最初のストリーミングSTとSDソリューションであるDiariSTを提案する。ニューラルトランスデューサベースのストリーミングSTシステム上に構築され、トークンレベルのシリアライズされた出力トレーニングとtベクタを統合している。重なり合う音声のストリーミング推論を行いながら,Whisperに基づくオフラインシステムと比較して強いSTとSD能力を実現する。
論文参考訳（メタデータ） (2023-09-14T19:33:27Z)
VoxSRC 2022: The Fourth VoxCeleb Speaker Recognition Challenge [95.6159736804855]
VoxCeleb Speaker Recognition Challenge 2022 (VoxSRC-22)は、InterSPEECH 2022と共同で開催された。この課題の目的は、最先端の話者認識システムが「野生」で得られた音声から話者を識別し、分類し、認識できるかどうかを評価することである。
論文参考訳（メタデータ） (2023-02-20T19:27:14Z)
The SpeakIn Speaker Verification System for Far-Field Speaker Verification Challenge 2022 [15.453882034529913]
本稿では,Far-Field Speaker Verification Challenge 2022(FFSVC2022)に提出された話者検証システムについて述べる。 ResNetベースのアーキテクチャとRepVGGベースのアーキテクチャは、この挑戦のために開発された。このアプローチは優れたパフォーマンスをもたらし、両方の課題において第1位にランクインします。
論文参考訳（メタデータ） (2022-09-23T14:51:55Z)
EML Online Speech Activity Detection for the Fearless Steps Challenge Phase-III [7.047338765733677]
本稿では、Fearless Steps Challengeの最新のフェーズにおけるオンラインアルゴリズムについて述べる。提案アルゴリズムは教師なしと教師なしの両方で訓練することができる。実験では、単一のCPUマシンを使用して、約0.002のリアルタイム係数を持つ開発データセットと評価データセットの両方で、競合する精度を示す。
論文参考訳（メタデータ） (2021-06-21T12:55:51Z)
VoxSRC 2020: The Second VoxCeleb Speaker Recognition Challenge [99.82500204110015]
第2回「VoxCeleb Speaker Recognition Challenge」をInterspeech 2020と共に開催しました。この課題の目的は、現在のスピーカー認識技術が、制約のないデータまたは野生のデータでスピーカーをダイアライズして認識できるかどうかを評価することでした。本稿では,その課題を概説し,ベースライン,使用方法,結果について述べる。
論文参考訳（メタデータ） (2020-12-12T17:20:57Z)
ShaneRun System Description to VoxCeleb Speaker Recognition Challenge 2020 [3.0712335337791288]
我々は、ShaneRunのチームがVoxCeleb Speaker Recognition Challenge (VoxSRC) 2020に提出されたことを述べる。我々は、オープンソースのvoxceleb-trainerから参照された話者埋め込みをエンコーダとしてResNet-34を用いて抽出する。最終提出されたシステムは0.3098 minDCFと5.076 % ERRであり、それぞれ1.3 % minDCFと2.2 % ERRを上回った。
論文参考訳（メタデータ） (2020-11-03T07:26:21Z)
Cross-Lingual Speaker Verification with Domain-Balanced Hard Prototype Mining and Language-Dependent Score Normalization [14.83348592874271]
本稿では,SdSV (Short-duration Speaker Verification) Challenge 2020における最上位のIDLab申請について述べる。この課題の主な難しさは、潜在的に言語横断の試行の間に様々な音素の重なりがあることである。我々は,最先端のECAPA-TDNNx-vectorベースの話者埋め込み抽出器を微調整するために,ドメインバランスのよいハードプロトタイプマイニングを導入する。
論文参考訳（メタデータ） (2020-07-15T13:58:18Z)
wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations [51.25118580050847]
音声のみから強力な表現を学習し、書き起こされた音声を微調整することで、最高の半教師付き手法よりも優れた性能を発揮することを示す。 wav2vec 2.0は、潜在空間で入力された音声を隠蔽し、共同で学習される潜在表現の量子化上で定義された対照的なタスクを解決する。
論文参考訳（メタデータ） (2020-06-20T02:35:02Z)
Deep Dense and Convolutional Autoencoders for Unsupervised Anomaly Detection in Machine Condition Sounds [55.18259748448095]
本報告では,DCASE 2020 チャレンジの第2タスクのために開発された2つの手法について述べる。この課題には、異常音を検出する教師なしの学習が含まれており、トレーニングプロセス中に通常の機械作業条件サンプルのみが利用可能である。この2つの手法は、メルスペクトグラム処理された音響特徴を用いた密集的および畳み込み的アーキテクチャに基づくディープオートエンコーダを含む。
論文参考訳（メタデータ） (2020-06-18T10:49:49Z)
CHiME-6 Challenge:Tackling Multispeaker Speech Recognition for Unsegmented Recordings [87.37967358673252]
第6回CiME音声分離認識チャレンジ(CHiME-6)の開催この課題は、従来のCHiME-5課題を再考し、遠隔マルチマイクロホン音声のダイアリゼーションと認識の問題をさらに検討する。本稿では, セグメント化多話者音声認識と非セグメント化多話者音声認識におけるCHiME-6チャレンジのベースライン記述について述べる。
論文参考訳（メタデータ） (2020-04-20T12:59:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。