論文の概要: Finding My Voice: Generative Reconstruction of Disordered Speech for Automated Clinical Evaluation

• arxiv url: http://arxiv.org/abs/2509.19231v1
• Date: Tue, 23 Sep 2025 16:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.963029
• Title: Finding My Voice: Generative Reconstruction of Disordered Speech for Automated Clinical Evaluation
• Title（参考訳）: Finding My Voice: Generative Reconstruction of disordered Speech for Automated Clinical Evaluation (特集 音声診断と診断)
• Authors: Karen Rosero, Eunjung Yeo, David R. Mortensen, Cortney Van't Slot, Rami R. Hallac, Carlos Busso,
• Abstract要約: ChiReSSDは、子どもの話者の身元を保存し、誤認識を抑える音声認識フレームワークである。 提案手法をSTARデータセット上で評価し,語彙精度と話者識別の大幅な向上を報告した。 以上の結果から,不整合型TTS再建は多種多様な臨床患者を対象とした個人性保存音声を提供する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 30.711896976296483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ChiReSSD, a speech reconstruction framework that preserves children speaker's identity while suppressing mispronunciations. Unlike prior approaches trained on healthy adult speech, ChiReSSD adapts to the voices of children with speech sound disorders (SSD), with particular emphasis on pitch and prosody. We evaluate our method on the STAR dataset and report substantial improvements in lexical accuracy and speaker identity preservation. Furthermore, we automatically predict the phonetic content in the original and reconstructed pairs, where the proportion of corrected consonants is comparable to the percentage of correct consonants (PCC), a clinical speech assessment metric. Our experiments show Pearson correlation of 0.63 between automatic and human expert annotations, highlighting the potential to reduce the manual transcription burden. In addition, experiments on the TORGO dataset demonstrate effective generalization for reconstructing adult dysarthric speech. Our results indicate that disentangled, style-based TTS reconstruction can provide identity-preserving speech across diverse clinical populations.
• Abstract（参考訳）: 子どもの話者の身元を保存し,誤認識を抑える音声再構成フレームワークであるChiReSSDについて述べる。 健康な成人の音声を訓練する以前のアプローチとは異なり、ChiReSSDは音声障害(SSD)を持つ子供の声に適応し、特にピッチと韻律に重点を置いている。 提案手法をSTARデータセット上で評価し,語彙精度と話者識別の大幅な向上を報告した。 さらに,修正子音の比率が臨床音声評価基準である正しい子音の比率(PCC)に匹敵する,オリジナルおよび再構成されたペアの音声内容を自動的に予測する。 実験の結果,自動アノテーションと人手アノテーションのPearson相関が0.63であり,手書き転写の負担を軽減できる可能性が示唆された。 さらに、TORGOデータセットを用いた実験により、成人の変形性関節症音声の再構成に有効な一般化が示された。 以上の結果から,不整合型TTS再建は多種多様な臨床患者を対象とした個人性保存音声を提供する可能性が示唆された。

関連論文リスト

• Adapting Foundation Speech Recognition Models to Impaired Speech: A Semantic Re-chaining Approach for Personalization of German Speech [0.562479170374811]
  脳性麻痺や遺伝性障害などの症状による音声障害は、自動音声認識システムに重大な課題をもたらす。 本稿では,ASRモデルをパーソナライズする実用的で軽量なパイプラインを提案し,単語の選択を形式化し,セマンティック・コヒーレンスによる音声障害者データセットを充実させる。 提案手法は,非典型的音声パターンを持つ個人に対するコミュニケーション障壁を低減する可能性を示した。
  論文  参考訳（メタデータ） (2025-06-23T15:30:50Z)
• Unsupervised Rhythm and Voice Conversion of Dysarthric to Healthy Speech for ASR [18.701864254184308]
  自己教師付き音声表現に基づくリズムと音声の変換手法を組み合わせることで、典型的な音声に変形をマッピングする。 提案したリズム変換は, より重篤な変形症例を有するトーゴコーパスの話者のパフォーマンスを特に向上させることが判明した。
  論文  参考訳（メタデータ） (2025-01-17T15:39:21Z)
• Automating Feedback Analysis in Surgical Training: Detection, Categorization, and Assessment [65.70317151363204]
  本研究は,非構造化現実記録からの外科的対話を再構築するための最初の枠組みを紹介する。 外科訓練では,ライブ手術中に訓練者に提供する形式的言語フィードバックは,安全性の確保,行動の即時修正,長期的スキル獲得の促進に不可欠である。 本フレームワークは,音声活動の検出,話者ダイアリゼーション,自動音声認識と,幻覚を除去する新たな拡張機能を統合する。
  論文  参考訳（メタデータ） (2024-12-01T10:35:12Z)
• Developing vocal system impaired patient-aimed voice quality assessment approach using ASR representation-included multiple features [0.4681310436826459]
  本稿では,音声認識と自己教師型学習表現の利用について紹介する。 実験ではPVQDデータセットのチェックを行い、英語における様々な声道系の損傷の原因をカバーし、パーキンソン病の患者に焦点を当てた日本語データセットを作成した。 PVQDの結果, PCCでは0.8, MSEでは0.5と顕著な相関がみられた。
  論文  参考訳（メタデータ） (2024-08-22T10:22:53Z)
• Perceiver-Prompt: Flexible Speaker Adaptation in Whisper for Chinese Disordered Speech Recognition [40.44769351506048]
  Perceiver-PromptはWhisperの大規模モデル上でP-Tuningを利用する話者適応手法である。 我々はまずLoRAを用いてWhisperを微調整し、次にトレーニング可能なPerceiverを統合して可変長入力から固定長話者プロンプトを生成する。
  論文  参考訳（メタデータ） (2024-06-14T09:36:46Z)
• Exploring Speech Pattern Disorders in Autism using Machine Learning [12.469348589699766]
  本研究は, 被験者と患者との対話の分析を通じて, 独特の音声パターンを識別するための包括的アプローチを提案する。 我々は,40の音声関連特徴を抽出し,周波数,ゼロクロス速度,エネルギー,スペクトル特性,メル周波数ケプストラル係数(MFCC),バランスに分類した。 分類モデルはASDと非ASDを区別することを目的としており、精度は87.75%である。
  論文  参考訳（メタデータ） (2024-05-03T02:59:15Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Speaker Identity Preservation in Dysarthric Speech Reconstruction by Adversarial Speaker Adaptation [59.41186714127256]
  変形性音声再建(DSR)は,変形性音声の品質向上を目的としている。 話者識別に最適化された話者エンコーダ (SE) について検討した。 我々は,新しいマルチタスク学習戦略,すなわち対人話者適応(ASA)を提案する。
  論文  参考訳（メタデータ） (2022-02-18T08:59:36Z)
• Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
  本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。 正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
  論文  参考訳（メタデータ） (2022-01-14T17:09:22Z)
• A Preliminary Study of a Two-Stage Paradigm for Preserving Speaker Identity in Dysarthric Voice Conversion [50.040466658605524]
  変形性音声変換(DVC)における話者同一性維持のための新しいパラダイムを提案する。 変形性音声の質は統計VCによって大幅に改善される。 しかし, 変形性関節症患者の通常の発話は, ほとんど収集できないため, 過去の研究は患者の個性を取り戻すことはできなかった。
  論文  参考訳（メタデータ） (2021-06-02T18:41:03Z)
• High Fidelity Speech Regeneration with Application to Speech Enhancement [96.34618212590301]
  本稿では,24khz音声をリアルタイムに生成できる音声のwav-to-wav生成モデルを提案する。 音声変換法に着想を得て,音源の同一性を保ちながら音声特性を増強する訓練を行った。
  論文  参考訳（メタデータ） (2021-01-31T10:54:27Z)

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。