Fugu-MT 論文翻訳(概要): Keyword Spotting with Hyper-Matched Filters for Small Footprint Devices

論文の概要: Keyword Spotting with Hyper-Matched Filters for Small Footprint Devices

arxiv url: http://arxiv.org/abs/2508.04857v1
Date: Wed, 06 Aug 2025 20:04:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-08 18:59:39.636446
Title: Keyword Spotting with Hyper-Matched Filters for Small Footprint Devices
Title（参考訳）: スモールフットプリント装置用ハイパーマッチフィルタによるキーワードスポッティング
Authors: Yael Segal-Feldman, Ann R. Bradlow, Matthew Goldrick, Joseph Keshet,
Abstract要約: 本稿では,小型フットプリント装置の最先端検出精度を有する開語彙キーワードスポッティングモデルを提案する。モデルは、音声エンコーダ、ターゲットキーワードエンコーダ、検出ネットワークから構成される。
参考スコア（独自算出の注目度）: 12.269545636442546
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Open-vocabulary keyword spotting (KWS) refers to the task of detecting words or terms within speech recordings, regardless of whether they were included in the training data. This paper introduces an open-vocabulary keyword spotting model with state-of-the-art detection accuracy for small-footprint devices. The model is composed of a speech encoder, a target keyword encoder, and a detection network. The speech encoder is either a tiny Whisper or a tiny Conformer. The target keyword encoder is implemented as a hyper-network that takes the desired keyword as a character string and generates a unique set of weights for a convolutional layer, which can be considered as a keyword-specific matched filter. The detection network uses the matched-filter weights to perform a keyword-specific convolution, which guides the cross-attention mechanism of a Perceiver module in determining whether the target term appears in the recording. The results indicate that our system achieves state-of-the-art detection performance and generalizes effectively to out-of-domain conditions, including second-language (L2) speech. Notably, our smallest model, with just 4.2 million parameters, matches or outperforms models that are several times larger, demonstrating both efficiency and robustness.
Abstract（参考訳）: オープン語彙キーワードスポッティング(英: Open-vocabularyキーワードスポッティング、英: Open-vocabularyキーワードスポッティング、英: KWS)とは、訓練データに含まれるか否かにかかわらず、音声録音中の単語や用語を検出するタスクである。本稿では,小型フットプリント装置の最先端検出精度を有する開語彙キーワードスポッティングモデルを提案する。モデルは、音声エンコーダ、ターゲットキーワードエンコーダ、検出ネットワークから構成される。音声エンコーダは小さなWhisperか小さなConformerだ。ターゲットキーワードエンコーダはハイパーネットワークとして実装され、所望のキーワードを文字列として取り込んで、キーワード固有のマッチングフィルタとみなす畳み込み層のためのユニークな重みセットを生成する。検出ネットワークは一致したフィルタ重みを用いてキーワード固有の畳み込みを行い、記録中にターゲット項が現れるかどうかを判定する際に、Perceiverモジュールのクロスアテンション機構を誘導する。その結果,本システムは最先端検出性能を達成し,第2言語(L2)音声を含む領域外条件に効果的に一般化できることが示唆された。特に、我々の最小のモデルは、わずか420万のパラメータで、何倍も大きく、効率性と堅牢性の両方を示している。

関連論文リスト

Adapting Dual-encoder Vision-language Models for Paraphrased Retrieval [55.90407811819347]
モデルが類似した結果を返すことを目的とした,パラフレーズ付きテキスト画像検索の課題について考察する。我々は、大きなテキストコーパスで事前訓練された言語モデルから始まる二重エンコーダモデルを訓練する。 CLIPやOpenCLIPのような公開デュアルエンコーダモデルと比較して、最高の適応戦略で訓練されたモデルは、パラフレーズクエリのランク付けの類似性を大幅に向上させる。
論文参考訳（メタデータ） (2024-05-06T06:30:17Z)
SimCKP: Simple Contrastive Learning of Keyphrase Representations [36.88517357720033]
そこで本論文では,(1)文脈認識型フレーズレベルの表現からキーフレーズを抽出する抽出器・ジェネレータと,(2)生成したフレーズのスコアを対応する文書と整列させることで,文書に現れないキーフレーズを生成するリランカと,の2つの段階からなる単純なコントラスト学習フレームワークであるSimCKPを提案する。
論文参考訳（メタデータ） (2023-10-12T11:11:54Z)
To Wake-up or Not to Wake-up: Reducing Keyword False Alarm by Successive Refinement [58.96644066571205]
既存の深層キーワードスポッティング機構は逐次リファインメントにより改善可能であることを示す。 13Kパラメーターから2.41Mパラメーターまで、複数のモデルにまたがって、連続精製法はFAを最大8.5%削減する。提案手法は"plug-and-play"であり,任意の深いキーワードスポッティングモデルに適用できる。
論文参考訳（メタデータ） (2023-04-06T23:49:29Z)
Dummy Prototypical Networks for Few-Shot Open-Set Keyword Spotting [6.4423565043274795]
スプリットGSCという新しいベンチマーク設定で、数ショットのオープンセットキーワードスポッティングに取り組む。オープンセットをよりよく検出し,Dummy Prototypeal Networks(D-ProtoNets)というシンプルで強力なアプローチを導入するために,メトリック学習に基づくエピソード有名なダミープロトタイプを提案する。また,本手法を標準ベンチマーク,miniImageNet,D-ProtoNetsで検証し,FSOSRにおける最先端のオープンセット検出率を示す。
論文参考訳（メタデータ） (2022-06-28T01:56:24Z)
Wav2Seq: Pre-training Speech-to-Text Encoder-Decoder Models Using Pseudo Languages [58.43299730989809]
本稿では,音声データに対するエンコーダ・デコーダモデルの両部分を事前学習するための,最初の自己教師型アプローチであるWav2Seqを紹介する。我々は、コンパクトな離散表現として擬似言語を誘導し、自己教師付き擬似音声認識タスクを定式化する。このプロセスは独自のものであり、低コストの第2段階のトレーニングとして適用することができる。
論文参考訳（メタデータ） (2022-05-02T17:59:02Z)
SChME at SemEval-2020 Task 1: A Model Ensemble for Detecting Lexical Semantic Change [58.87961226278285]
本稿では,SemEval-2020 Task 1における語彙意味変化の教師なし検出法であるSChMEについて述べる。 SChMEは、分布モデル(単語埋め込み)とワード周波数モデルの信号を組み合わせたモデルアンサンブルを使用し、各モデルは、その特徴に応じて単語が苦しむ確率を示す投票を行う。
論文参考訳（メタデータ） (2020-12-02T23:56:34Z)
Speech Command Recognition in Computationally Constrained Environments with a Quadratic Self-organized Operational Layer [92.37382674655942]
軽量ネットワークの音声コマンド認識能力を向上するネットワーク層を提案する。この手法はテイラー展開と二次形式の概念を借用し、入力層と隠蔽層の両方における特徴のより良い表現を構築する。このリッチな表現は、Google音声コマンド(GSC)と合成音声コマンド(SSC)データセットに関する広範な実験で示されているように、認識精度の向上をもたらす。
論文参考訳（メタデータ） (2020-11-23T14:40:18Z)
Keyphrase Extraction with Dynamic Graph Convolutional Networks and Diversified Inference [50.768682650658384]
キーワード抽出(KE)は、ある文書でカバーされている概念やトピックを正確に表現するフレーズの集合を要約することを目的としている。最近のシークエンス・ツー・シークエンス(Seq2Seq)ベースの生成フレームワークはKEタスクで広く使われ、様々なベンチマークで競合性能を得た。本稿では,この2つの問題を同時に解くために,動的グラフ畳み込みネットワーク(DGCN)を採用することを提案する。
論文参考訳（メタデータ） (2020-10-24T08:11:23Z)
Few-Shot Keyword Spotting With Prototypical Networks [3.6930948691311016]
キーワードスポッティングは、AmazonのAlexaやGoogle Homeなど、多くの音声インターフェースで広く使用されている。まず、この問題を数発のキーワードスポッティングとして定式化し、メートル法学習を用いてアプローチする。そこで我々は,ネットワーク上の時間的および拡張的畳み込みを用いたプロトタイプ的な数ショットキーワードスポッティング問題に対する解を提案する。
論文参考訳（メタデータ） (2020-07-25T20:17:56Z)
Acoustic Neighbor Embeddings [2.842794675894731]
本稿では,アコースティック・ニーバー・エンベディングと呼ばれる新しい音響単語の埋め込みを提案する。埋め込み空間における座標間のユークリッド距離は、対応する列間の音素的可聴性を反映する。認識精度は従来の有限状態トランスデューサ(FST)ベースのデコードと同一であり、語彙で最大100万名、埋め込みで40次元の試験データを使用する。
論文参考訳（メタデータ） (2020-07-20T05:33:07Z)
Small-Footprint Open-Vocabulary Keyword Spotting with Quantized LSTM Networks [3.8382752162527933]
本稿では,オープン語彙のキーワードスポッティング手法に着目し,モデル全体を再トレーニングすることなく,ユーザが独自のキーワードを定義できるようにする。ユーザ定義キーワードの任意のセットに対して,小さなデバイス上で動作可能な高速かつ小型のフットプリントシステムを実現するための,さまざまな設計選択について説明する。
論文参考訳（メタデータ） (2020-02-25T13:27:31Z)

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。