論文の概要: Frustratingly Easy Data Augmentation for Low-Resource ASR

• arxiv url: http://arxiv.org/abs/2509.15373v1
• Date: Thu, 18 Sep 2025 19:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.882089
• Title: Frustratingly Easy Data Augmentation for Low-Resource ASR
• Title（参考訳）: 低リソースASRのためのフラストレーションに簡単なデータ拡張
• Authors: Katsumi Ibaraki, David Chiang,
• Abstract要約: 音声認識のための自己完結型データ拡張手法を3つ導入する。 我々はこれらの手法を極めて限られたリソースを持つ4つの言語に適用する。 トレーニング済みのWav2Vec2-XLSR-53モデルをオリジナルオーディオと生成された合成データの組み合わせで微調整すると、性能が大幅に向上する。
• 参考スコア（独自算出の注目度）: 8.197070429322798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces three self-contained data augmentation methods for low-resource Automatic Speech Recognition (ASR). Our techniques first generate novel text--using gloss-based replacement, random replacement, or an LLM-based approach--and then apply Text-to-Speech (TTS) to produce synthetic audio. We apply these methods, which leverage only the original annotated data, to four languages with extremely limited resources (Vatlongos, Nashta, Shinekhen Buryat, and Kakabe). Fine-tuning a pretrained Wav2Vec2-XLSR-53 model on a combination of the original audio and generated synthetic data yields significant performance gains, including a 14.3% absolute WER reduction for Nashta. The methods prove effective across all four low-resource languages and also show utility for high-resource languages like English, demonstrating their broad applicability.
• Abstract（参考訳）: 本稿では,低リソース自動音声認識(ASR)のための3つの自己完結型データ拡張手法を提案する。 提案手法はまず,新しいテキストベースのグロスベースの置換,ランダムな置換,あるいはLCMベースのアプローチを生成し,次いでテキスト・トゥ・スペーチ(TTS)を用いて合成音声を生成する。 アノテーション付きデータのみを利用するこれらの手法を,非常に限られたリソースを持つ4つの言語(Vatlongos,Nashta,Shinekhen Buryat,Kakabe)に適用する。 オリジナルオーディオと生成された合成データを組み合わせたWav2Vec2-XLSR-53モデルの微調整は、ナシュタの14.3%のWER削減を含む大きなパフォーマンス向上をもたらす。 これらの手法は、4つの低リソース言語すべてで有効であることが証明され、また、英語のような高リソース言語にも有効であることを示す。

関連論文リスト

• A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data [46.73430446242378]
  本稿では,ラベルのないデータセットのみを用いて,ASR性能を向上させる自己精錬フレームワークを提案する。 台湾語マンダリン音声における枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2025-06-10T17:30:32Z)
• Parameter-efficient Adaptation of Multilingual Multimodal Models for Low-resource ASR [25.566285376879094]
  マルチモーダルモデルは、テキストのみの適応とパラメータ効率のよいASR微調整によって、ラベルなしのテキストを活用することができる。 ゼロショット設定でベースラインよりも17%のWER削減を実現し,ハイリソース言語からの言語間移動を示す。
  論文  参考訳（メタデータ） (2024-10-17T11:19:44Z)
• SMILE: Speech Meta In-Context Learning for Low-Resource Language Automatic Speech Recognition [55.2480439325792]
  音声メタインコンテキスト学習(SMILE)は、メタラーニングと音声インコンテキスト学習(SICL)を組み合わせた革新的なフレームワークである SMILEは、トレーニング不要な多言語ASRタスクにおいて、ベースライン手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T16:04:16Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Data Augmentation for Low-Resource Quechua ASR Improvement [2.260916274164351]
  ディープラーニングの手法により、英語のASRでは単語エラー率が5%未満のシステムをデプロイできるようになった。 いわゆる低リソース言語では,既存のリソースに基づいて新たなリソースを作成する手法が検討されている。 本稿では,低リソースおよび凝集度言語に対するASRモデルの結果を改善するためのデータ拡張手法について述べる。
  論文  参考訳（メタデータ） (2022-07-14T12:49:15Z)
• Text-To-Speech Data Augmentation for Low Resource Speech Recognition [0.0]
  本研究では,ASRモデルの改良を目的としたデータ拡張手法を提案する。 ケチュア語のコーパスを用いて実験を行った。 ASRモデルの単語誤り率(WER)の8.73%の改善は、合成テキストと合成音声の組み合わせを用いて得られる。
  論文  参考訳（メタデータ） (2022-04-01T08:53:44Z)
• Wav2vec-Switch: Contrastive Learning from Original-noisy Speech Pairs for Robust Speech Recognition [52.71604809100364]
  音声の文脈化表現に雑音のロバスト性をエンコードするwav2vec-Switchを提案する。 具体的には、オリジナルノイズの多い音声ペアを同時にwav2vec 2.0ネットワークに供給する。 既存のコントラスト学習タスクに加えて、原音声と雑音音声の量子化表現を追加の予測対象に切り替える。
  論文  参考訳（メタデータ） (2021-10-11T00:08:48Z)
• Bootstrap an end-to-end ASR system by multilingual training, transfer learning, text-to-text mapping and synthetic audio [8.510792628268824]
  限られたデータリソースでの音声認識のブートストラップは、長い間活発な研究領域だった。 本稿では,低資源環境下でRNN-Transducerに基づく音声認識システム(ASR)をブートストラップする様々な手法の有効性について検討する。 実験では,ASR後のテキスト・テキスト・マッピングと合成音声を用いた多言語モデルからの変換学習が付加的な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-11-25T13:11:32Z)
• LRSpeech: Extremely Low-Resource Speech Synthesis and Recognition [148.43282526983637]
  データコストの低い言語のためのTLSおよびASRシステムであるLSpeechを開発した。 実験言語(英語)と真の低リソース言語(リトアニア語)で実験を行い,LRSpeechの有効性を検証する。 現在、より稀な言語でTSをサポートするために、商用のクラウド音声サービスにLSpeechをデプロイしています。
  論文  参考訳（メタデータ） (2020-08-09T08:16:33Z)
• 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。