論文の概要: Machine Learning for Stuttering Identification: Review, Challenges & Future Directions

• arxiv url: http://arxiv.org/abs/2107.04057v1
• Date: Thu, 8 Jul 2021 18:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-12 13:34:45.496256
• Title: Machine Learning for Stuttering Identification: Review, Challenges & Future Directions
• Title（参考訳）: 発話識別のための機械学習:レビュー,挑戦,今後の方向性
• Authors: Shakeel Ahmad Sheikh and Md Sahidullah and Fabrice Hirsch and Slim Ouni
• Abstract要約: 発声は、不随意の停止と音の繰り返しによって発声の流れが中断される発声障害である。 機械学習とディープラーニングの最近の進歩は、音声領域を劇的に革新させた。 この研究は、学際的な分野から研究者を集めようとすることでギャップを埋める。
• 参考スコア（独自算出の注目度）: 9.726119468893721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stuttering is a speech disorder during which the flow of speech is interrupted by involuntary pauses and repetition of sounds. Stuttering identification is an interesting interdisciplinary domain research problem which involves pathology, psychology, acoustics, and signal processing that makes it hard and complicated to detect. Recent developments in machine and deep learning have dramatically revolutionized speech domain, however minimal attention has been given to stuttering identification. This work fills the gap by trying to bring researchers together from interdisciplinary fields. In this paper, we review comprehensively acoustic features, statistical and deep learning based stuttering/disfluency classification methods. We also present several challenges and possible future directions.
• Abstract（参考訳）: シュターリング(stuttering)は、不随意の停止と音の反復によって音声の流れが中断される言語障害である。 スタタリング識別は、病理学、心理学、音響学、信号処理などの分野間の興味深い研究課題であり、検出が困難で複雑である。 機械学習とディープラーニングの最近の進歩は、音声領域を劇的に革命させたが、音声認識にはほとんど注意が払われていない。 この研究は、学際的な分野から研究者を集めようとすることでギャップを埋める。 本稿では,統計的および深層学習に基づくスタブリング/ディフルエンシ分類法について概説する。 いくつかの課題と今後の方向性を示す。

関連論文リスト

• Self-supervised Speech Models for Word-Level Stuttered Speech Detection [66.46810024006712]
  自己教師付き音声モデルを利用した単語レベルの発声音声検出モデルを提案する。 本評価は, 単語レベルの発声検出において, 従来の手法を超越していることを示す。
  論文  参考訳（メタデータ） (2024-09-16T20:18:20Z)
• Impact of Speech Mode in Automatic Pathological Speech Detection [14.011517808456892]
  本稿では,病的音声検出における音声モードの影響を解析する。 古典的な機械学習とディープラーニングという2つのカテゴリのアプローチを調べます。 以上の結果から,古典的アプローチは自然発話における病因判別に苦慮している可能性が示唆された。 対照的に、ディープラーニングアプローチは優れた性能を示し、非自発音声では従来アクセス不能だった追加の手がかりを抽出する。
  論文  参考訳（メタデータ） (2024-06-14T12:19:18Z)
• Selfsupervised learning for pathological speech detection [0.0]
  音声生成は、様々な神経変性疾患による影響と破壊を受けやすい。 これらの障害は、異常な発声パターンと不正確な調音を特徴とする病的発声を引き起こす。 ニューロタイプ話者とは異なり、言語障害や障害のある患者は、AlexaやSiriなど、さまざまなバーチャルアシスタントにアクセスできない。
  論文  参考訳（メタデータ） (2024-05-16T07:12:47Z)
• Deep Learning for Visual Speech Analysis: A Survey [54.53032361204449]
  本稿では,視覚音声分析におけるディープラーニング手法の最近の進歩を概観する。 私たちは、基本的な問題、課題、ベンチマークデータセット、既存のメソッドの分類、最先端のパフォーマンスなど、視覚音声のさまざまな側面をカバーしています。
  論文  参考訳（メタデータ） (2022-05-22T14:44:53Z)
• KSoF: The Kassel State of Fluency Dataset -- A Therapy Centered Dataset of Stuttering [58.91587609873915]
  この研究で紹介されるKassel State of Fluency (KSoF)は、治療ベースのデータセットで、5500以上の散在するPWSのクリップを含んでいる。 オーディオは、Institut der Kasseler Stottertherapieのセラピーセッション中に録音された。
  論文  参考訳（メタデータ） (2022-03-10T14:17:07Z)
• Deep Learning for Hate Speech Detection: A Comparative Study [54.42226495344908]
  ここでは, ディープ・ヘイト・音声検出法と浅いヘイト・音声検出法を大規模に比較した。 私たちの目標は、この地域の進歩を照らし、現在の最先端の強みと弱点を特定することです。 そこで我々は,ヘイトスピーチ検出の実践的利用に関するガイダンスの提供,最先端の定量化,今後の研究方向の特定を目的としている。
  論文  参考訳（メタデータ） (2022-02-19T03:48:20Z)
• STAN: A stuttering therapy analysis helper [59.37911277681339]
  発声は、繰り返し、音、音節または単語の延長、発話中のブロックによって識別される複雑な音声障害である。 本稿では, 言語療法士を支援するシステムSTANについて紹介する。
  論文  参考訳（メタデータ） (2021-06-15T13:48:12Z)
• Multi-view Temporal Alignment for Non-parallel Articulatory-to-Acoustic Speech Synthesis [59.623780036359655]
  A2A(Articulatory-to-Aoustic)合成は、音声刺激器のキャプチャされた動きから可聴音声の生成を指します。 この手法には、病気や怪我のためにもはや話せない人々への口頭コミュニケーションの回復など、多くの応用がある。 本稿では,多視点学習の理論に基づく問題解決法を提案する。
  論文  参考訳（メタデータ） (2020-12-30T15:09:02Z)
• Stutter Diagnosis and Therapy System Based on Deep Learning [2.3581263491506097]
  スタッタリング(stammering)は、音声の連続性を破るコミュニケーション障害である。 本稿では,MFCC音声特徴に対するGated Recurrent CNNを用いたスタッター診断エージェントの実装と,SVMを用いた治療勧告エージェントの実装に焦点を当てた。
  論文  参考訳（メタデータ） (2020-07-13T10:24:02Z)
• Towards Automated Assessment of Stuttering and Stuttering Therapy [0.22940141855172028]
  発声は複雑な発声障害であり、繰り返し、音、音節または単語の延長、発話中のブロックによって識別できる。 発声重大度評価の一般的な方法は、発声中の3つの最長発声症状の平均である発声音節(%SS)、最近導入された発声効率スコア(SES)などがある。 本稿では,スタブリングの重症度を評価する新しい手法である音声制御指標(SCI)を提案する。
  論文  参考訳（メタデータ） (2020-06-16T14:50:56Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。