論文の概要: Impact of Speech Mode in Automatic Pathological Speech Detection

• arxiv url: http://arxiv.org/abs/2406.09968v1
• Date: Fri, 14 Jun 2024 12:19:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 13:45:24.003635
• Title: Impact of Speech Mode in Automatic Pathological Speech Detection
• Title（参考訳）: 病的音声の自動検出における音声モードの影響
• Authors: Shakeel A. Sheikh, Ina Kodrasi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.011517808456892
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Automatic pathological speech detection approaches yield promising results in identifying various pathologies. These approaches are typically designed and evaluated for phonetically-controlled speech scenarios, where speakers are prompted to articulate identical phonetic content. While gathering controlled speech recordings can be laborious, spontaneous speech can be conveniently acquired as potential patients navigate their daily routines. Further, spontaneous speech can be valuable in detecting subtle and abstract cues of pathological speech. Nonetheless, the efficacy of automatic pathological speech detection for spontaneous speech remains unexplored. This paper analyzes the influence of speech mode on pathological speech detection approaches, examining two distinct categories of approaches, i.e., classical machine learning and deep learning. Results indicate that classical approaches may struggle to capture pathology-discriminant cues in spontaneous speech. In contrast, deep learning approaches demonstrate superior performance, managing to extract additional cues that were previously inaccessible in non-spontaneous speech
• Abstract（参考訳）: 病的音声の自動検出手法は,様々な病態を同定する上で有望な結果をもたらす。 これらのアプローチは、話者が同一の音声内容の明瞭化を促される、音声制御された音声シナリオのために設計され、評価されるのが一般的である。 コントロールされた音声記録の収集には手間がかかるが、潜在的な患者が日常のルーチンをナビゲートするので、自然発話を便利に得ることができる。 さらに、自然発話は、病的音声の微妙で抽象的な手がかりを検出するのに有用である。 いずれにせよ,自然発声に対する病的音声の自動検出の有効性は未解明のままである。 本稿では,言語モードが病的音声検出アプローチに与える影響を解析し,古典的機械学習と深層学習の2つの異なるカテゴリーについて検討する。 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パフォーマンスを示し、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。

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)
• Spontaneous Style Text-to-Speech Synthesis with Controllable Spontaneous Behaviors Based on Language Models [55.898594710420326]
  本稿では,言語モデルに基づく新たな自然音声合成システムを提案する。 自発音声における微妙な韻律変化を捉えるモデルの能力を高めるために, きめ細かい韻律モデリングを導入する。
  論文  参考訳（メタデータ） (2024-07-18T13:42:38Z)
• 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)
• Towards Spontaneous Style Modeling with Semi-supervised Pre-training for Conversational Text-to-Speech Synthesis [53.511443791260206]
  自発型音声と自発型行動ラベルの量を増やすための半教師付き事前学習法を提案する。 半教師付き学習の過程では、音声中の自発的な行動ラベルを検出するために、テキスト情報と音声情報の両方が考慮される。
  論文  参考訳（メタデータ） (2023-08-31T09:50:33Z)
• Careful Whisper -- leveraging advances in automatic speech recognition for robust and interpretable aphasia subtype classification [0.0]
  本稿では,音声記録から音声異常を同定し,音声障害の評価を支援するための完全自動アプローチを提案する。 Connectionist Temporal Classification (CTC) と encoder-decoder-based auto speech recognition model を組み合わせることで、リッチな音響およびクリーンな書き起こしを生成する。 そこで本研究では,これらの書き起こしから特徴を抽出し,健全な音声のプロトタイプを作成するために,いくつかの自然言語処理手法を適用した。
  論文  参考訳（メタデータ） (2023-08-02T15:53:59Z)
• Self-Supervised Speech Representation Learning: A Review [105.1545308184483]
  自己教師付き表現学習法は、幅広いタスクやドメインに利益をもたらす単一の普遍的モデルを約束する。 音声表現学習は、生成的、コントラスト的、予測的という3つの主要なカテゴリで同様の進歩を経験している。 本稿では,自己指導型音声表現学習のアプローチと,他の研究領域との関係について述べる。
  論文  参考訳（メタデータ） (2022-05-21T16:52:57Z)
• Perception Point: Identifying Critical Learning Periods in Speech for Bilingual Networks [58.24134321728942]
  ディープニューラルベース視覚唇読解モデルにおける認知的側面を比較し,識別する。 我々は、認知心理学におけるこれらの理論と独自のモデリングの間に強い相関関係を観察する。
  論文  参考訳（メタデータ） (2021-10-13T05:30:50Z)
• Machine Learning for Stuttering Identification: Review, Challenges & Future Directions [9.726119468893721]
  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。
  論文  参考訳（メタデータ） (2021-07-08T18:15:20Z)
• Comparing Supervised Models And Learned Speech Representations For Classifying Intelligibility Of Disordered Speech On Selected Phrases [11.3463024120429]
  提案手法は,選択したフレーズに対して,混乱した音声の理解度を分類するために,異なる深層学習手法を開発し,比較する。 各種自己申告障害を有する661人の話者から29の単語やフレーズを発話するサンプルを収集した。
  論文  参考訳（メタデータ） (2021-07-08T17:24:25Z)
• 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)

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。