論文の概要: DiscoPhon: Benchmarking the Unsupervised Discovery of Phoneme Inventories With Discrete Speech Units
- arxiv url: http://arxiv.org/abs/2603.18612v1
- Date: Thu, 19 Mar 2026 08:31:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.032196
- Title: DiscoPhon: Benchmarking the Unsupervised Discovery of Phoneme Inventories With Discrete Speech Units
- Title（参考訳）: DiscoPhon: 離散音声ユニットによる音素在庫の教師なし発見のベンチマーク
- Authors: Maxime Poli, Manel Khentout, Angelo Ortiz Tandazo, Ewan Dunbar, Emmanuel Chemla, Emmanuel Dupoux,
- Abstract要約: DiscoPhonは、離散音声単位から教師なし音素発見を評価するためのベンチマークである。
6つの開発言語と6つのテスト言語をカバーし、幅広い音韻のコントラストをカバーしている。
- 参考スコア（独自算出の注目度）: 15.409370828694563
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We introduce DiscoPhon, a multilingual benchmark for evaluating unsupervised phoneme discovery from discrete speech units. DiscoPhon covers 6 dev and 6 test languages, chosen to span a wide range of phonemic contrasts. Given only 10 hours of speech in a previously unseen language, systems must produce discrete units that are mapped to a predefined phoneme inventory, through either a many-to-one or a one-to-one assignment. The resulting sequences are evaluated for unit quality, recognition and segmentation. We provide four pretrained multilingual HuBERT and SpidR baselines, and show that phonemic information is available enough in current models for derived units to correlate well with phonemes, though with variations across languages.
- Abstract（参考訳）: 離散音声単位から教師なし音素発見を評価するための多言語ベンチマークであるDiscoPhonを紹介する。
DiscoPhonは6つの開発言語と6つのテスト言語をカバーする。
それまで見つからなかった言語で10時間しか話さないと、システムは、複数対1または1対1の割り当てによって、事前に定義された音素の在庫にマッピングされる離散単位を生成する必要がある。
得られたシーケンスは、単位品質、認識、セグメンテーションのために評価される。
本研究は,HuBERTとSpedRの4つのベースラインを事前学習し,音素情報と音素の相関性を示す。
関連論文リスト
- PRiSM: Benchmarking Phone Realization in Speech Models [70.82595415252682]
音声認識(PR)は言語に依存しない言語間音声処理と音声解析のためのアトミックインタフェースとして機能する。
PRiSMは、音声知覚における盲点を明らかにするために設計された、最初のオープンソースベンチマークである。
論文 参考訳（メタデータ） (2026-01-20T15:00:36Z) - CUPE: Contextless Universal Phoneme Encoder for Language-Agnostic Speech Processing [5.466034990848432]
CUPEは120ミリ秒でキー音素の機能をキャプチャする軽量モデルである。
CUPEは、すべての言語に共通する基本音響パターンを学習することで、競合する言語間性能を実現する。
論文 参考訳（メタデータ） (2025-08-21T07:27:10Z) - Discovering Phonetic Inventories with Crosslingual Automatic Speech
Recognition [71.49308685090324]
本稿では,未知言語における音声認識における異なる要因(モデルアーキテクチャ,音韻モデル,音声表現の種類)の影響について検討する。
独特な音、類似した音、トーン言語は、音声による在庫発見の大きな課題である。
論文 参考訳（メタデータ） (2022-01-26T22:12:55Z) - Scaling to Many Languages with a Triaged Multilingual Text-Dependent and
Text-Independent Speaker Verification System [9.361951528451298]
これは46言語の規模でのスピーカー検証システムの最初の研究です。
多言語テキスト依存およびテキスト非依存コンポーネントからなるハイブリッドセットアップの使用を検討する。
論文 参考訳（メタデータ） (2021-04-05T19:48:16Z) - Acoustics Based Intent Recognition Using Discovered Phonetic Units for
Low Resource Languages [51.0542215642794]
本稿では,検出された音素単位を意図分類に用いる新しい音響に基づく意図認識システムを提案する。
我々は,2つの言語群 – インディカル言語とロマンス言語 – に対する2つの異なる意図認識タスクの結果を提示する。
論文 参考訳（メタデータ） (2020-11-07T00:35:31Z) - Multilingual Jointly Trained Acoustic and Written Word Embeddings [22.63696520064212]
このアイデアを複数の低リソース言語に拡張します。
我々は、複数の言語から音声で書き起こされたデータを用いて、AWEモデルとAGWEモデルを共同で訓練する。
事前トレーニングされたモデルは、目に見えないゼロリソース言語や、低リソース言語のデータを微調整するために使用することができる。
論文 参考訳（メタデータ） (2020-06-24T19:16:02Z) - Universal Phone Recognition with a Multilingual Allophone System [135.2254086165086]
言語に依存しない音素分布と言語に依存しない音素分布の連成モデルを提案する。
11言語での多言語ASR実験では、このモデルにより2%の音素誤り率でテスト性能が向上することがわかった。
我々の認識器は17%以上の精度向上を実現し、世界中のすべての言語で音声認識に一歩近づいた。
論文 参考訳（メタデータ） (2020-02-26T21:28:57Z) - Towards Zero-shot Learning for Automatic Phonemic Transcription [82.9910512414173]
より難しい問題は、トレーニングデータをゼロにする言語のための音素変換器を構築することだ。
我々のモデルは、トレーニングデータなしで、ターゲット言語で見知らぬ音素を認識できる。
標準的な多言語モデルよりも平均して7.7%の音素誤り率を実現している。
論文 参考訳（メタデータ） (2020-02-26T20:38:42Z)
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。