論文の概要: AutoMode-ASR: Learning to Select ASR Systems for Better Quality and Cost

• arxiv url: http://arxiv.org/abs/2409.12476v1
• Date: Thu, 19 Sep 2024 05:34:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 14:41:29.239672
• Title: AutoMode-ASR: Learning to Select ASR Systems for Better Quality and Cost
• Title（参考訳）: AutoMode-ASR: より良い品質とコストのためにASRシステムを選択することを学ぶ
• Authors: Ahmet Gündüz, Yunsu Kim, Kamer Ali Yuksel, Mohamed Al-Badrashiny, Thiago Castro Ferreira, Hassan Sawaf,
• Abstract要約: AutoMode-ASRは複数のASRシステムを統合し、コストを最適化しながら全体の転写品質を向上させる。 2つのシステム間の選好を決定するバイナリ分類器を組み込むことでこれを実現できる。 その結果、WERの相対的な削減は16.2%、コスト削減は65%、スピード改善は75%であった。
• 参考スコア（独自算出の注目度）: 6.5361718172654415
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present AutoMode-ASR, a novel framework that effectively integrates multiple ASR systems to enhance the overall transcription quality while optimizing cost. The idea is to train a decision model to select the optimal ASR system for each segment based solely on the audio input before running the systems. We achieve this by ensembling binary classifiers determining the preference between two systems. These classifiers are equipped with various features, such as audio embeddings, quality estimation, and signal properties. Additionally, we demonstrate how using a quality estimator can further improve performance with minimal cost increase. Experimental results show a relative reduction in WER of 16.2%, a cost saving of 65%, and a speed improvement of 75%, compared to using a single-best model for all segments. Our framework is compatible with commercial and open-source black-box ASR systems as it does not require changes in model codes.
• Abstract（参考訳）: 複数のASRシステムを効果的に統合し、コストを最適化しながら全体の転写品質を向上させる新しいフレームワークであるAutoMode-ASRを提案する。 システムを実行する前に、音声入力のみに基づいて各セグメントに対して最適なASRシステムを選択するための決定モデルを訓練する。 2つのシステム間の選好を決定するバイナリ分類器を組み込むことでこれを実現できる。 これらの分類器は、オーディオ埋め込み、品質推定、信号特性などの様々な特徴を備えている。 さらに, 品質推定器を用いることで, コストを最小限に抑えることで, 性能をさらに向上させることができることを示す。 実験の結果、WERは16.2%、コストは65%、スピードは75%向上した。 我々のフレームワークは、モデルコードの変更を必要としないため、商用およびオープンソースのブラックボックスASRシステムと互換性がある。

関連論文リスト

• Aligning Large Language Models via Self-Steering Optimization [78.42826116686435]
  本稿では,高品質な選好信号を自律的に生成するアルゴリズムであるSelf-Steering Optimization(SSO$)を紹介する。 SSO$は、選択された応答と拒否された応答の間に一貫したギャップを確保することで、信号の精度を維持する。 我々は、Qwen2とLlama3.1という2つの基礎モデルを用いて、$SSO$の有効性を検証する。
  論文  参考訳（メタデータ） (2024-10-22T16:04:03Z)
• Tailored Design of Audio-Visual Speech Recognition Models using Branchformers [0.0]
  本稿では,パラメータ効率の高い音声認識システムの設計のための新しいフレームワークを提案する。 より正確に言うと、提案するフレームワークは、まず、音声のみのシステムとビデオのみのシステムを推定し、次に、カスタマイズされたオーディオ視覚統合エンコーダを設計する。 その結果、我々のAVSRシステムがどのように最先端の認識率に到達できるかが反映された。
  論文  参考訳（メタデータ） (2024-07-09T07:15:56Z)
• Anatomy of Industrial Scale Multilingual ASR [13.491861238522421]
  本稿では,アセンブリの産業規模自動音声認識(ASR)システムについて述べる。 本システムは,教師なし(12.5M時間),教師なし(188K時間),疑似ラベル付き(1.6M時間)の4言語を対象とした多様なトレーニングデータセットを活用する。
  論文  参考訳（メタデータ） (2024-04-15T14:48:43Z)
• MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
  異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。 提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
  論文  参考訳（メタデータ） (2024-01-07T08:59:32Z)
• D4AM: A General Denoising Framework for Downstream Acoustic Models [45.04967351760919]
  音声強調(SE)は、自動音声認識(ASR)システムを支援するフロントエンド戦略として用いられる。 既存のSE手法の訓練目的は、未知のASRシステムに向けたトレーニングのために、音声テキストとノイズクリーンなペアデータを統合するのに完全には有効ではない。 そこで我々は,様々な下流音響モデルのための一般的なデノベーションフレームワークD4AMを提案する。
  論文  参考訳（メタデータ） (2023-11-28T08:27:27Z)
• Efficient acoustic feature transformation in mismatched environments using a Guided-GAN [1.495380389108477]
  本稿では,資源共有環境における音声認識システムを改善するための新しいフレームワークを提案する。 音響入力機能を利用したGAN(Generative Adversarial Network)を用いて、ミスマッチしたデータの特徴を高める。 1時間未満のデータで、高品質なデータに基づいて訓練され、一致しないオーディオで評価されたASRシステムは、11.5%から19.7%の相対的な単語誤り率(WER)によって改善される。
  論文  参考訳（メタデータ） (2022-10-03T05:33:28Z)
• End-to-End Multi-speaker ASR with Independent Vector Analysis [80.83577165608607]
  マルチチャンネル・マルチスピーカ自動音声認識のためのエンドツーエンドシステムを開発した。 本稿では, 独立ベクトル解析(IVA)のパラダイムを基礎として, ソース分離と収差分離のパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-04-01T05:45:33Z)
• A Conformer Based Acoustic Model for Robust Automatic Speech Recognition [63.242128956046024]
  提案手法は,二方向長短期記憶(BLSTM)モデルと発話ワイドドロップアウトと反復話者適応を用いて,最先端の音声認識システムを構築した。 コンフォーマーエンコーダは、音響モデリングに畳み込み強化されたアテンションメカニズムを使用する。 提案システムはCHiME-4コーパスの単調なASRタスクに基づいて評価される。
  論文  参考訳（メタデータ） (2022-03-01T20:17:31Z)
• Feature Replacement and Combination for Hybrid ASR Systems [47.74348197215634]
  ハイブリッドASRシステムにおけるこれらのフロントエンドフレームワーク、すなわちwav2vecの有用性を検討する。 事前学習した特徴抽出器の展開に加えて,異なる特徴を持つ同一タスクで訓練された既存の音響モデル(AM)の活用方法について検討する。 我々は、LibriSpeechテストクリーンおよびテスト他のセットの以前の最良のモデルよりも4%と6%の相対的な改善を得た。
  論文  参考訳（メタデータ） (2021-04-09T11:04:58Z)
• You Do Not Need More Data: Improving End-To-End Speech Recognition by Text-To-Speech Data Augmentation [59.31769998728787]
  我々は、ASRトレーニングデータベース上にTSシステムを構築し、合成音声でデータを拡張し、認識モデルを訓練する。 テストクリーンはWER 4.3%,他のテストクリーンは13.5%で、このシステムはLibriSpeechトレインクリーン100で訓練されたエンドツーエンドASRの競争結果を確立している。
  論文  参考訳（メタデータ） (2020-05-14T17:24:57Z)

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。