Fugu-MT 論文翻訳(概要): Digits micro-model for accurate and secure transactions

論文の概要: Digits micro-model for accurate and secure transactions

arxiv url: http://arxiv.org/abs/2402.01931v1
Date: Fri, 2 Feb 2024 22:01:27 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 23:12:58.403255
Title: Digits micro-model for accurate and secure transactions
Title（参考訳）: 正確かつセキュアなトランザクションのためのDigitsマイクロモデル
Authors: Chirag Chhablani, Nikhita Sharma, Jordan Hosier, and Vijay K. Gurbani
Abstract要約: より小型の「マイクロ」音声認識モデルの可能性を強調した。大きな音声認識モデルとは異なり、マイクロモデルは慎重に選択され、キュレートされたデータセットで訓練される。我々の研究は、ドメイン固有のASRモデル、数値認識精度の向上、データのプライバシーに寄与する。
参考スコア（独自算出の注目度）: 0.5999777817331317
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic Speech Recognition (ASR) systems are used in the financial domain to enhance the caller experience by enabling natural language understanding and facilitating efficient and intuitive interactions. Increasing use of ASR systems requires that such systems exhibit very low error rates. The predominant ASR models to collect numeric data are large, general-purpose commercial models -- Google Speech-to-text (STT), or Amazon Transcribe -- or open source (OpenAI's Whisper). Such ASR models are trained on hundreds of thousands of hours of audio data and require considerable resources to run. Despite recent progress large speech recognition models, we highlight the potential of smaller, specialized "micro" models. Such light models can be trained perform well on number recognition specific tasks, competing with general models like Whisper or Google STT while using less than 80 minutes of training time and occupying at least an order of less memory resources. Also, unlike larger speech recognition models, micro-models are trained on carefully selected and curated datasets, which makes them highly accurate, agile, and easy to retrain, while using low compute resources. We present our work on creating micro models for multi-digit number recognition that handle diverse speaking styles reflecting real-world pronunciation patterns. Our work contributes to domain-specific ASR models, improving digit recognition accuracy, and privacy of data. An added advantage, their low resource consumption allows them to be hosted on-premise, keeping private data local instead uploading to an external cloud. Our results indicate that our micro-model makes less errors than the best-of-breed commercial or open-source ASRs in recognizing digits (1.8% error rate of our best micro-model versus 5.8% error rate of Whisper), and has a low memory footprint (0.66 GB VRAM for our model versus 11 GB VRAM for Whisper).
Abstract（参考訳）: 金融分野における音声認識(asr)システムは、自然言語理解を可能にし、効率的で直感的な対話を促進することにより、発信者エクスペリエンスを向上させるために用いられる。 ASRシステムの利用の増加には、そのようなシステムは非常に低いエラー率を示す必要がある。数値データを収集する主要なASRモデルは、Google Speech-to-text(STT)やAmazon Transcribe(OpenAIのWhisper)など、大規模で汎用的な商用モデルである。このようなasrモデルは、数十万時間に及ぶオーディオデータに基づいてトレーニングされ、かなりのリソースを必要とする。近年の大規模音声認識モデルの発展にもかかわらず、より小型の「マイクロ」モデルの可能性を強調している。このような光モデルは、WhisperやGoogle STTといった一般的なモデルと競合しながら、80分未満のトレーニング時間を使用し、少なくともメモリリソースの少ない順序で、数値認識固有のタスクでうまくトレーニングすることができる。また、より大きな音声認識モデルとは異なり、マイクロモデルは注意深く選択されたデータセットで訓練され、低い計算リソースを使用しながら、高度に正確で、アジャイルで、再トレーニングが容易である。実世界の発音パターンを反映した多様な話し方を扱う多桁数認識のためのマイクロモデルの作成について述べる。我々の研究は、ドメイン固有のASRモデル、数値認識精度の向上、データのプライバシーに寄与する。さらに、リソース消費の少ないため、オンプレミスでホストすることが可能で、外部クラウドにアップロードする代わりに、プライベートデータをローカルに保持することができる。以上の結果から,我々のマイクロモデルでは,桁認識における最良の商用またはオープンソース ASR よりも誤りが少ない(最良マイクロモデルでは1.8%,Whisperでは5.8%)こと,メモリフットプリントが低い(Whisperでは0.66 GB VRAM,Whisperでは11 GB VRAM)。

関連論文リスト

Improving Multilingual ASR in the Wild Using Simple N-best Re-ranking [68.77659513993507]
我々は,多言語ASRの精度を向上させるため,単純かつ効果的なN-best再分類手法を提案する。その結果, 音声認識の精度は8.7%, 6.1%, 単語誤り率は3.3%, 単語誤り率は2.0%であった。
論文参考訳（メタデータ） (2024-09-27T03:31:32Z)
Exploring the limits of decoder-only models trained on public speech recognition corpora [36.446905777292066]
Decoder-Only Transformer for ASR (DOTA) モデルは、ほぼ全ての英語のASRベンチマークおよび15のテストセット中7つのWhisper large-v3で、エンコーダ-デコーダのオープンソースレプリケーション(OWSM)を総じて上回っている。
論文参考訳（メタデータ） (2024-01-31T23:29:42Z)
Advancing African-Accented Speech Recognition: Epistemic Uncertainty-Driven Data Selection for Generalizable ASR Models [2.4654745083407175]
本稿では,アノテーションプロセスの自動化に不確実性を利用するマルチラウンド適応プロセスを提案する。この手法はデータアノテーションを合理化し、モデルの不確実性に最も寄与するデータサンプルを戦略的に選択する。以上の結果から,従来のベースラインよりも平均45%少ないデータを必要とする一方で,WERの相対的改善率は27%であることが示唆された。
論文参考訳（メタデータ） (2023-06-03T13:11:37Z)
From English to More Languages: Parameter-Efficient Model Reprogramming for Cross-Lingual Speech Recognition [50.93943755401025]
言語間音声認識のためのニューラルモデル再プログラミングに基づく新しいパラメータ効率学習フレームワークを提案する。我々は、学習可能な事前学習機能強化に焦点を当てた、異なる補助的ニューラルネットワークアーキテクチャを設計する。提案手法は,既存のASRチューニングアーキテクチャとその拡張性能を自己監督的損失で向上させる。
論文参考訳（メタデータ） (2023-01-19T02:37:56Z)
Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
論文参考訳（メタデータ） (2022-09-01T17:05:20Z)
Data Augmentation for Low-Resource Quechua ASR Improvement [2.260916274164351]
ディープラーニングの手法により、英語のASRでは単語エラー率が5%未満のシステムをデプロイできるようになった。いわゆる低リソース言語では,既存のリソースに基づいて新たなリソースを作成する手法が検討されている。本稿では,低リソースおよび凝集度言語に対するASRモデルの結果を改善するためのデータ拡張手法について述べる。
論文参考訳（メタデータ） (2022-07-14T12:49:15Z)
Visual Speech Recognition for Multiple Languages in the Wild [64.52593130370757]
より優れたVSRモデルを設計することが、より大きなトレーニングセットを使用する上でも同様に重要であることを示す。 VSRモデルに予測に基づく補助タスクを追加することを提案する。このようなモデルは、異なる言語で動作し、公開データセット上でトレーニングされたこれまでのすべてのメソッドを大きなマージンで上回ることを示す。
論文参考訳（メタデータ） (2022-02-26T07:21:00Z)
CI-AVSR: A Cantonese Audio-Visual Speech Dataset for In-car Command Recognition [91.33781557979819]
新しいデータセットであるCantonese In-car Audio-Visual Speech Recognition (CI-AVSR)を導入する。カントン語話者30人が記録した200の車載コマンドの4,984サンプル(8.3時間)で構成されている。当社のデータセットのクリーンバージョンと拡張バージョンの両方について、詳細な統計情報を提供しています。
論文参考訳（メタデータ） (2022-01-11T06:32:12Z)
Scaling ASR Improves Zero and Few Shot Learning [23.896440724468246]
大規模データセットでもっとも有用なサンプルを見つけるために,トレーニングデータを効率的にスケールするためのデータ選択手法を提案する。 1-10Bパラメータのユニバーサル英語ASRモデルを訓練することにより、音声認識性能の限界を多くの領域に広げる。脳損傷による障害のある話者に対して、私たちの最高のゼロショットモデルと少数ショットモデルは、それぞれAphasiaBankテストセットで22%と60%の相対的な改善を達成しています。
論文参考訳（メタデータ） (2021-11-10T21:18:59Z)
Improving Streaming Automatic Speech Recognition With Non-Streaming Model Distillation On Unsupervised Data [44.48235209327319]
ストリーミングのエンドツーエンド自動音声認識モデルは、スマートスピーカーやデバイス上のアプリケーションで広く利用されている。教師として非ストリーミング型ASRモデルを活用することによって,新しい効果的な学習手法を提案する。ストリーミングモデルのトレーニングを、最大300万時間のYouTubeオーディオに拡大しています。
論文参考訳（メタデータ） (2020-10-22T22:41:33Z)
LRSpeech: Extremely Low-Resource Speech Synthesis and Recognition [148.43282526983637]
データコストの低い言語のためのTLSおよびASRシステムであるLSpeechを開発した。実験言語(英語)と真の低リソース言語(リトアニア語)で実験を行い,LRSpeechの有効性を検証する。現在、より稀な言語でTSをサポートするために、商用のクラウド音声サービスにLSpeechをデプロイしています。
論文参考訳（メタデータ） (2020-08-09T08:16:33Z)

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。