論文の概要: Automatic Screening for Children with Speech Disorder using Automatic Speech Recognition: Opportunities and Challenges

• arxiv url: http://arxiv.org/abs/2410.11865v1
• Date: Mon, 07 Oct 2024 20:14:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-20 09:10:56.102301
• Title: Automatic Screening for Children with Speech Disorder using Automatic Speech Recognition: Opportunities and Challenges
• Title（参考訳）: 自動音声認識による言語障害児の自動スクリーニング : 機会と課題
• Authors: Dancheng Liu, Jason Yang, Ishan Albrecht-Buehler, Helen Qin, Sophie Li, Yuting Hu, Amir Nassereldine, Jinjun Xiong,
• Abstract要約: 音声・言語アセスメント(SLA)は、熟練言語病理医(SLP)によって行われている。 人工知能を利用した効率的でスケーラブルなSLA手法の必要性が高まっている。
• 参考スコア（独自算出の注目度）: 15.727507607538874
• License:
• Abstract: Speech is a fundamental aspect of human life, crucial not only for communication but also for cognitive, social, and academic development. Children with speech disorders (SD) face significant challenges that, if unaddressed, can result in lasting negative impacts. Traditionally, speech and language assessments (SLA) have been conducted by skilled speech-language pathologists (SLPs), but there is a growing need for efficient and scalable SLA methods powered by artificial intelligence. This position paper presents a survey of existing techniques suitable for automating SLA pipelines, with an emphasis on adapting automatic speech recognition (ASR) models for children's speech, an overview of current SLAs and their automated counterparts to demonstrate the feasibility of AI-enhanced SLA pipelines, and a discussion of practical considerations, including accessibility and privacy concerns, associated with the deployment of AI-powered SLAs.
• Abstract（参考訳）: スピーチは人間の生活の基本的な側面であり、コミュニケーションだけでなく、認知、社会的、学術的な発展にも不可欠である。 言語障害(SD)を持つ子供たちは、未適応の場合には、ネガティブな影響が持続する可能性がある重要な課題に直面している。 伝統的に、音声および言語アセスメント(SLA)は、熟練した言語病理学者(SLP)によって行われているが、人工知能を利用した効率的でスケーラブルなSLA手法の必要性が高まっている。 本稿では,子どもの発話に自動音声認識(ASR)モデルを適用すること,AIを活用したSLAパイプラインの実現可能性を示すための現在のSLAとその自動化の概要,アクセシビリティやプライバシの懸念といった実践的考察,など,SLAパイプラインの自動化に適した既存の技術について述べる。

関連論文リスト

• Large Language Model Based Generative Error Correction: A Challenge and Baselines for Speech Recognition, Speaker Tagging, and Emotion Recognition [110.8431434620642]
  生成音声の書き起こし誤り訂正(GenSEC)の課題について紹介する。 この課題は、(i)ASR後の転写補正、(ii)話者タグ付け、(iii)感情認識という、3つのASR後の言語モデリングタスクを含む。 本稿では,ベースライン評価から得られた知見と,今後の評価設計における教訓について論じる。
  論文  参考訳（メタデータ） (2024-09-15T16:32:49Z)
• Identification of Cognitive Decline from Spoken Language through Feature Selection and the Bag of Acoustic Words Model [0.0]
  記憶障害の症状の早期発見は、集団の健康確保に重要な役割を担っている。 臨床環境における標準化された音声テストの欠如は、自然音声言語を解析するための自動機械学習技術の開発にますます重点を置いている。 この研究は特徴選択に関するアプローチを示し、ジュネーブの最小音響パラメータセットと相対音声停止から診断に必要な重要な特徴を自動的に選択することを可能にする。
  論文  参考訳（メタデータ） (2024-02-02T17:06:03Z)
• Affect Recognition in Conversations Using Large Language Models [9.689990547610664]
  影響認識は人間のコミュニケーションにおいて重要な役割を担っている。 本研究では,会話における人間の影響を認識するための言語モデル(LLM)の能力について検討する。
  論文  参考訳（メタデータ） (2023-09-22T14:11:23Z)
• SpeechGen: Unlocking the Generative Power of Speech Language Models with Prompts [108.04306136086807]
  本稿では,SpeechGenと呼ばれる統合フレームワークを用いて,各種タスクの音声LMを刺激するための即時チューニングの適用について検討する。 提案した統合フレームワークは効率と有効性に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-03T22:35:27Z)
• BabySLM: language-acquisition-friendly benchmark of self-supervised spoken language models [56.93604813379634]
  音声表現を学習するための自己指導技術は、人間のラベルを必要とせずに、音声への露出から言語能力を高めることが示されている。 語彙および構文レベルで音声言語モデルを探索するために,言語習得に親しみやすいベンチマークを提案する。 テキストと音声のギャップを埋めることと、クリーンな音声とその内話のギャップを埋めることである。
  論文  参考訳（メタデータ） (2023-06-02T12:54:38Z)
• Understanding Spoken Language Development of Children with ASD Using Pre-trained Speech Embeddings [26.703275678213135]
  自然言語サンプル(NLS)分析は,従来の手法を補完する有望な手法として注目されている。 本稿では,子どもの音声言語発達の自動評価を支援するために,音声処理技術の応用を提案する。
  論文  参考訳（メタデータ） (2023-05-23T14:39:49Z)
• Automatic Speech recognition for Speech Assessment of Preschool Children [4.554894288663752]
  本研究では,幼児期の音声の音響的特徴と言語的特徴について検討した。 Wav2Vec 2.0は、堅牢なエンドツーエンド音声認識システムを構築するために使用できるパラダイムである。
  論文  参考訳（メタデータ） (2022-03-24T07:15:24Z)
• Recent Progress in the CUHK Dysarthric Speech Recognition System [66.69024814159447]
  障害音声は、現在のデータ集約型ディープニューラルネットワーク(DNN)に基づく自動音声認識技術に対して、幅広い課題を提示している。 本稿では,香港の中国大学における音声認識システムの性能向上に向けた最近の研究成果について述べる。
  論文  参考訳（メタデータ） (2022-01-15T13:02:40Z)
• An Attribute-Aligned Strategy for Learning Speech Representation [57.891727280493015]
  属性選択機構によってこれらの問題に柔軟に対処できる音声表現を導出する属性整合学習戦略を提案する。 具体的には、音声表現を属性依存ノードに分解する層式表現可変オートエンコーダ(LR-VAE)を提案する。 提案手法は,IDのないSER上での競合性能と,無感情SV上でのより良い性能を実現する。
  論文  参考訳（メタデータ） (2021-06-05T06:19:14Z)
• A Multi-modal Machine Learning Approach and Toolkit to Automate Recognition of Early Stages of Dementia among British Sign Language Users [5.8720142291102135]
  タイムリーな診断は、必要なサポートと適切な薬を得るのに役立つ。 画像とビデオの分析と理解のためのディープラーニングベースのアプローチは有望である。 このアプローチは過度に適合せず、スケールアップの可能性を秘めています。
  論文  参考訳（メタデータ） (2020-10-01T16:35:48Z)
• Silent Speech Interfaces for Speech Restoration: A Review [59.68902463890532]
  サイレント音声インタフェース (SSI) の研究は、重度音声障害の患者に対して、代替的で拡張的なコミュニケーション方法を提供することを目的としている。 SSIは、コミュニケーションを可能にするために、音声生成中に人体によって生成される非音響バイオシグナーに依存している。 現在、ほとんどのSSIは、健康なユーザーのために実験室でのみ検証されている。
  論文  参考訳（メタデータ） (2020-09-04T11:05:50Z)

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。