論文の概要: Self-Supervised Models for Phoneme Recognition: Applications in Children's Speech for Reading Learning

• arxiv url: http://arxiv.org/abs/2503.04710v1
• Date: Thu, 06 Mar 2025 18:57:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:58:18.845328
• Title: Self-Supervised Models for Phoneme Recognition: Applications in Children's Speech for Reading Learning
• Title（参考訳）: 音素認識のための自己教師付きモデル:読み上げ学習における子どもの発話への応用
• Authors: Lucas Block Medin, Thomas Pellegrini, Lucile Gelin,
• Abstract要約: まず, フランス語音声における音素認識に適応したwav2vec 2.0, HuBERT, WavLMモデルを比較した。 次に,子音の微調整中に変圧器ブロックを解凍することで適応する。 We show that WavLM base+ is more robust to various reading task and noise levels。
• 参考スコア（独自算出の注目度）: 9.670752318129326
• License:
• Abstract: Child speech recognition is still an underdeveloped area of research due to the lack of data (especially on non-English languages) and the specific difficulties of this task. Having explored various architectures for child speech recognition in previous work, in this article we tackle recent self-supervised models. We first compare wav2vec 2.0, HuBERT and WavLM models adapted to phoneme recognition in French child speech, and continue our experiments with the best of them, WavLM base+. We then further adapt it by unfreezing its transformer blocks during fine-tuning on child speech, which greatly improves its performance and makes it significantly outperform our base model, a Transformer+CTC. Finally, we study in detail the behaviour of these two models under the real conditions of our application, and show that WavLM base+ is more robust to various reading tasks and noise levels. Index Terms: speech recognition, child speech, self-supervised learning
• Abstract（参考訳）: 子どもの音声認識は、データ(特に非英語言語)の欠如と、このタスクの特定の困難のため、まだ未発達の研究領域である。 子どもの音声認識のための様々なアーキテクチャを過去の研究で検討し、近年の自己教師型モデルに取り組みます。 まず, フランス語音声における音素認識に適応したwav2vec 2.0, HuBERT, WavLMモデルを比較し, 実験を最良であるWavLM base+で継続する。 さらに,子音の微調整中にトランスフォーマーブロックを解凍することで,その性能を大幅に向上させ,ベースモデルであるTransformer+CTCよりも大幅に向上させる。 最後に、これらの2つのモデルの動作をアプリケーションの実環境下で詳細に検討し、WavLMベース+が様々な読み出しタスクやノイズレベルに対してより堅牢であることを示す。 索引用語:音声認識、児童音声、自己指導型学習

関連論文リスト

• Child Speech Recognition in Human-Robot Interaction: Problem Solved? [0.024739484546803334]
  我々は、2017年からの子どもの音声認識に関する研究を再考し、実際に性能が向上したことを示す。 Newcomer OpenAI Whisperは、主要な商用クラウドサービスよりもはるかに優れている。 転写はまだ完璧ではないが、最高のモデルは文の60.3%を正しく認識し、小さな文法的な違いを抑える。
  論文  参考訳（メタデータ） (2024-04-26T13:14:28Z)
• A comparative analysis between Conformer-Transducer, Whisper, and wav2vec2 for improving the child speech recognition [2.965450563218781]
  幼児音声におけるコンフォーマー・トランスデューサモデルの微調整は、児童音声におけるASR性能を大幅に向上させることを示す。 また、Whisper と wav2vec2 を異なる子音声データセットに適応させる。
  論文  参考訳（メタデータ） (2023-11-07T19:32:48Z)
• Adaptation of Whisper models to child speech recognition [3.2548794659022398]
  幼児音声におけるWhisperの微調整は、児童音声におけるASR性能を大幅に向上させることを示す。 Wav2vec2モデルは、子どものスピーチで微調整され、Whisperの微調整よりも優れています。
  論文  参考訳（メタデータ） (2023-07-24T12:54:45Z)
• Automatic Speech Recognition of Non-Native Child Speech for Language Learning Applications [18.849741353784328]
  我々は、最先端のASRシステムであるWav2Vec2.0とWhisper AIの性能を評価する。 オランダ語母語,非母語母語母語,非母語母語母語,母語母語母語母語母語,母語母語母語母語母語,母語母語母語母語母語母語母語母語,母語母語母語母語母語母語母語母語,母語母語母語母語母語母語
  論文  参考訳（メタデータ） (2023-06-29T06:14:26Z)
• Textually Pretrained Speech Language Models [107.10344535390956]
  本稿では、事前訓練されたテキスト言語モデルからウォームスタートを用いたSpeechLMの訓練方法であるTWISTを提案する。 我々は、TWISTがボード全体のコールドスタートSpeechLMより優れる自動評価と人的評価の両方を用いて示す。
  論文  参考訳（メタデータ） (2023-05-22T13:12:16Z)
• Learning Cross-lingual Visual Speech Representations [108.68531445641769]
  言語横断的な自己監督型視覚表現学習は、ここ数年、研究トピックとして成長している。 我々は最近提案したRAVEn(Raw Audio-Visual Speechs)フレームワークを用いて,未ラベルデータを用いた音声-視覚モデルの事前学習を行う。 1)データ量が多いマルチ言語モデルはモノリンガルモデルよりも優れているが、データの量を維持すると、モノリンガルモデルの性能が向上する傾向にある。
  論文  参考訳（メタデータ） (2023-03-14T17:05:08Z)
• The Ability of Self-Supervised Speech Models for Audio Representations [53.19715501273934]
  自己教師付き学習(SSL)音声モデルは、音声表現学習において前例のない成功を収めた。 我々は、最先端のSSL音声モデルの表現能力を評価するために、豊富な音声および非音声音声データセットに関する広範な実験を行う。 結果から、SSL音声モデルは幅広い非音声音声の有意義な特徴を抽出できるが、特定の種類のデータセットではフェールする可能性があることが示された。
  論文  参考訳（メタデータ） (2022-09-26T15:21:06Z)
• Self-Supervised Learning for speech recognition with Intermediate layer supervision [52.93758711230248]
  自己教師付き学習(ILS-SSL)のための中間層スーパービジョンを提案する。 ILS-SSLは、中間層にSSL損失を追加することで、可能な限りコンテンツ情報に集中させます。 LibriSpeech の他のテストセットの実験により,本手法は HuBERT を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T10:45:05Z)
• Towards Language Modelling in the Speech Domain Using Sub-word Linguistic Units [56.52704348773307]
  音節や音素を含む言語単位に基づくLSTMに基づく新しい生成音声LMを提案する。 限られたデータセットでは、現代の生成モデルで要求されるものよりも桁違いに小さいので、我々のモデルはバブリング音声を近似する。 補助的なテキストLM,マルチタスク学習目標,補助的な調音特徴を用いた訓練の効果を示す。
  論文  参考訳（メタデータ） (2021-10-31T22:48:30Z)
• Arabic Speech Emotion Recognition Employing Wav2vec2.0 and HuBERT Based on BAVED Dataset [0.0]
  本稿では,アラビア語音声対話のための深層学習構築型感情認識モデルを提案する。 開発モデルは、wav2vec2.0 や HuBERT といったアートオーディオ表現の状態を取り入れている。 我々のモデルの実験と性能は、以前の既知の結果を克服する。
  論文  参考訳（メタデータ） (2021-10-09T00:58:12Z)
• Audio ALBERT: A Lite BERT for Self-supervised Learning of Audio Representation [51.37980448183019]
  本稿では,自己教師型音声表現モデルの簡易版であるAudio ALBERTを提案する。 我々は、Audio ALBERTが、下流タスクにおいて、これらの巨大なモデルと競合する性能を達成することができることを示す。 探索実験において、潜在表現は、最後の層よりも音素と話者のリッチな情報をエンコードすることがわかった。
  論文  参考訳（メタデータ） (2020-05-18T10:42:44Z)

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。