論文の概要: AraS2P: Arabic Speech-to-Phonemes System

• arxiv url: http://arxiv.org/abs/2509.23504v1
• Date: Sat, 27 Sep 2025 21:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.26689
• Title: AraS2P: Arabic Speech-to-Phonemes System
• Title（参考訳）: AraS2P:アラビア音声合成システム
• Authors: Bassam Matar, Mohamed Fayed, Ayman Khalafallah,
• Abstract要約: AraS2P は Iqra'Eval 2025 Shared Task に提出された音声合成システムである。 Weapted Wav2Vec2-BERT via Two-Stage training strategy。 制度は、公式のリーダーボードで第1位にランクインした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper describes AraS2P, our speech-to-phonemes system submitted to the Iqra'Eval 2025 Shared Task. We adapted Wav2Vec2-BERT via Two-Stage training strategy. In the first stage, task-adaptive continue pretraining was performed on large-scale Arabic speech-phonemes datasets, which were generated by converting the Arabic text using the MSA Phonetiser. In the second stage, the model was fine-tuned on the official shared task data, with additional augmentation from XTTS-v2-synthesized recitations featuring varied Ayat segments, speaker embeddings, and textual perturbations to simulate possible human errors. The system ranked first on the official leaderboard, demonstrating that phoneme-aware pretraining combined with targeted augmentation yields strong performance in phoneme-level mispronunciation detection.
• Abstract（参考訳）: 本稿では,Iqra'Eval 2025共有タスクに提案した音声合成システムであるAraS2Pについて述べる。 Weapted Wav2Vec2-BERT via Two-Stage training strategy。 第1段階では,MSA Phonetiserを用いてアラビア語のテキストを変換し,大規模アラビア語音声データセット上でタスク適応型継続事前訓練を行った。 第2段階では、モデルは公式な共有タスクデータに基づいて微調整され、様々なAyatセグメント、話者埋め込み、テキスト摂動を特徴とするXTTS-v2合成リサイクリングの追加により、人間のエラーをシミュレートした。 このシステムは、音素レベルの誤発音検出において、音素認識の事前訓練と対象音素増加の併用が強い性能をもたらすことを証明して、公式のリーダーボードにランク付けした。

関連論文リスト

• LLM-based phoneme-to-grapheme for phoneme-based speech recognition [11.552927239284582]
  音素自動音声認識(ASR)のための音素間符号化(LLM-P2G)を提案する。 実験の結果, LLM-P2G はポーランド語とドイツ語の交叉型 ASR において, WER の相対減少率 3.6% と 6.9% でWFST 系よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-05T07:35:55Z)
• Improving Accented Speech Recognition using Data Augmentation based on Unsupervised Text-to-Speech Synthesis [30.97784092953007]
  本稿では、アクセント付き音声認識を改善するためのデータ拡張手法として、教師なし音声合成(TTS)の使用について検討する。 TTSシステムは、手書き文字起こしではなく、少量のアクセント付き音声訓練データとそれらの擬似ラベルで訓練される。 この手法により,アクセント付き音声認識のためのデータ拡張を行うために,手書きの書き起こしを伴わないアクセント付き音声データを使用することが可能である。
  論文  参考訳（メタデータ） (2024-07-04T16:42:24Z)
• Learning Speech Representation From Contrastive Token-Acoustic Pretraining [57.08426714676043]
  本研究では、2つのエンコーダを用いて音素と音声を複数モーダル空間に導入するCTAP(Contrastive Token-Acoustic Pretraining)を提案する。 提案したCTAPモデルは、210k音声と音素ペアで訓練され、最小教師付きTS、VC、ASRを実現する。
  論文  参考訳（メタデータ） (2023-09-01T12:35:43Z)
• AudioPaLM: A Large Language Model That Can Speak and Listen [79.44757696533709]
  本稿では,音声理解・生成のための大規模言語モデルであるAudioPaLMを紹介する。 AudioPaLMはテキストベースの言語モデルと音声ベースの言語モデルを融合する。 音声認識や音声音声翻訳などの応用により、テキストと音声を処理および生成することができる。
  論文  参考訳（メタデータ） (2023-06-22T14:37:54Z)
• End-to-End Speech Translation of Arabic to English Broadcast News [2.375764121997739]
  音声翻訳(英: speech translation, ST)とは、ソース言語の音声信号を外国語のテキストに翻訳する作業である。 本稿では,最初のアラビア語から英語への翻訳システムであるブロードキャストニュースの開発に向けた取り組みについて述べる。
  論文  参考訳（メタデータ） (2022-12-11T11:35:46Z)
• MMSpeech: Multi-modal Multi-task Encoder-Decoder Pre-training for Speech Recognition [75.12948999653338]
  マンダリン自動音声認識(ASR)のためのマルチタスクエンコーダ-デコーダ事前学習フレームワーク(MMSpeech)を提案する。 我々は、音声とテキストデータを用いた5つの自己教師付きタスクを含むマルチタスク学習フレームワークを採用する。 AISHELL-1を用いた実験により,提案手法は従来手法と比較して40%以上の改善が得られた。
  論文  参考訳（メタデータ） (2022-11-29T13:16:09Z)
• Unified Speech-Text Pre-training for Speech Translation and Recognition [113.31415771943162]
  音声認識のためのエンコーダ・デコーダ・モデリング・フレームワークにおいて,音声とテキストを協調的に事前学習する手法について述べる。 提案手法は,4つの自己教師付きサブタスクを組み込んだクロスモーダル学習手法である。 MuST-C音声翻訳データセットの最先端よりも1.7から2.3BLEUの改善が達成されている。
  論文  参考訳（メタデータ） (2022-04-11T20:59:51Z)
• Enhanced Direct Speech-to-Speech Translation Using Self-supervised Pre-training and Data Augmentation [76.13334392868208]
  直接音声音声変換(S2ST)モデルは、データ不足の問題に悩まされる。 本研究では,この課題に対処するために,ラベルのない音声データとデータ拡張を用いた自己教師付き事前学習について検討する。
  論文  参考訳（メタデータ） (2022-04-06T17:59:22Z)
• Textless Speech-to-Speech Translation on Real Data [49.134208897722246]
  本研究では、ある言語から別の言語への翻訳が可能なテキストなし音声音声翻訳システム(S2ST)を提案する。 マルチ話者ターゲット音声をモデル化し、実世界のS2STデータを用いてシステムを訓練する際の課題に対処する。
  論文  参考訳（メタデータ） (2021-12-15T18:56:35Z)
• Exploring Transfer Learning For End-to-End Spoken Language Understanding [8.317084844841323]
  スピーチから仮説に直接移動するエンドツーエンド(E2E)システムは、より魅力的なオプションです。 音声からテキストまでの複数のタスクを共同トレーニングするE2Eシステムを提案する。 個々のタスクで訓練されたE2Eモデルの性能を上回ります。
  論文  参考訳（メタデータ） (2020-12-15T19:02:15Z)

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。