論文の概要: Breeze Taigi: Benchmarks and Models for Taiwanese Hokkien Speech Recognition and Synthesis

• arxiv url: http://arxiv.org/abs/2603.19259v1
• Date: Thu, 26 Feb 2026 16:35:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:12.795313
• Title: Breeze Taigi: Benchmarks and Models for Taiwanese Hokkien Speech Recognition and Synthesis
• Title（参考訳）: Breeze Taigi:台湾発声音声認識と合成のためのベンチマークとモデル
• Authors: Yu-Siang Lan, Chia-Sheng Liu, Yi-Chang Chen, Po-Chun Hsu, Allyson Chiu, Shun-Wen Lin, Da-shan Shiu, Yuan-Fu Liao,
• Abstract要約: Breeze Taigiは、大義音声認識と合成システムを評価するための総合的なフレームワークである。 台湾の人民元(人民元)公共サービス発表から、精力的に収集したマンダリン・タイギオーディオペアを30個提供します。 我々のASRモデルは、ベンチマークで30.13%の平均CERを達成し、既存の商用および研究システムより優れています。
• 参考スコア（独自算出の注目度）: 9.60942276749555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Taiwanese Hokkien (Taigi) presents unique opportunities for advancing speech technology methodologies that can generalize to diverse linguistic contexts. We introduce Breeze Taigi, a comprehensive framework centered on standardized benchmarks for evaluating Taigi speech recognition and synthesis systems. Our primary contribution is a reproducible evaluation methodology that leverages parallel Taiwanese Mandarin resources. We provide 30 carefully curated Mandarin-Taigi audio pairs from Taiwan's Executive Yuan public service announcements with normalized ground truth transcriptions. We establish Character Error Rate (CER) as the standard metric and implement normalization procedures to enable fair cross-system comparisons. To demonstrate the benchmark's utility and provide reference implementations, we develop speech recognition and synthesis models through a methodology that leverages existing Taiwanese Mandarin resources and large-scale synthetic data generation. In particular, we fine-tune a Whisper model on approximately 10,000 hours of Taigi synthetic speech data. Our ASR model achieves 30.13% average CER on the benchmark, outperforming existing commercial and research systems. By providing standardized evaluation protocols, diverse training datasets, and open baseline models, we offer a replicable framework with methodologies applicable to various linguistic contexts.
• Abstract（参考訳）: 台湾のホッキエン(太義)は、多様な言語文脈に一般化できる音声技術の方法論を進化させるユニークな機会を提示する。 本稿では,タイギ音声認識と合成システム評価のための標準ベンチマークを中心とした総合的なフレームワークであるBreeze Taigiを紹介する。 本研究の主な貢献は,台湾産マンダリン資源の並列利用による再現性評価手法である。 台湾の人民元公務員による正規化された真実の書き起こしによる音声ペア30点を精査した。 標準指標としてキャラクタエラー率(CER)を確立し,正規化手順を実装し,公平なクロスシステム比較を実現する。 提案手法は,既存の台湾のマンダリン資源と大規模合成データ生成を活用する手法を用いて,音声認識と合成モデルを開発した。 特に,大義合成音声データの約1万時間にWhisperモデルを微調整する。 我々のASRモデルは、ベンチマークで30.13%の平均CERを達成し、既存の商用および研究システムより優れています。 標準化された評価プロトコル、多様なトレーニングデータセット、オープンベースラインモデルを提供することにより、様々な言語文脈に適用可能な方法論を備えた複製可能なフレームワークを提供する。

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)
• Typhoon ASR Real-time: FastConformer-Transducer for Thai Automatic Speech Recognition [12.692166506908803]
  低遅延タイ語音声認識のための115MパラメータFastConformer-TransducerモデルであるTyphoon ASR Real-timeを提案する。 我々のコンパクトモデルでは,Whisper Large-v3に比べて計算コストが45倍削減され,精度は同等である。 タイ語 ASR の課題に対処するため,タイ語で確立された慣行に従って,ゴールドスタンダードの人間ラベル付きデータセットである Typhoon ASR Benchmark をリリースする。
  論文  参考訳（メタデータ） (2026-01-19T13:28:17Z)
• On the Fallacy of Global Token Perplexity in Spoken Language Model Evaluation [88.77441715819366]
  大規模生音声で事前訓練された生成音声言語モデルは、適切な内容で音声プロンプトを継続することができる。 本稿では,グローバルトークンの難易度に代えて,多種多様な可能性・生成的評価手法を提案する。
  論文  参考訳（メタデータ） (2026-01-09T22:01:56Z)
• CLiFT-ASR: A Cross-Lingual Fine-Tuning Framework for Low-Resource Taiwanese Hokkien Speech Recognition [12.323666705980672]
  CLiFT-ASRは台湾のホッキエンにおける音声認識のための言語横断的な微調整フレームワークである。 最初は音素の太ロアノテーションから音響と音調の表現を学び、次に漢文字の語彙と構文をキャプチャする。 TAT-MOEコーパスの実験は、CLiFT-ASRが文字誤り率を24.88%減少させることを示した。
  論文  参考訳（メタデータ） (2025-11-10T09:03:30Z)
• AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
  マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。 AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。 また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
  論文  参考訳（メタデータ） (2025-08-29T07:40:39Z)
• Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
  SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。 最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。 従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
  論文  参考訳（メタデータ） (2024-10-06T01:03:42Z)
• VoxHakka: A Dialectally Diverse Multi-speaker Text-to-Speech System for Taiwanese Hakka [10.784402571965867]
  VoxHakka(ヴォックスハッカ、VoxHakka)は、台湾の言語であるHakka向けに設計された音声合成システムである。 VoxHakkaは音声合成における自然性と精度,低リアルタイム化を実現している。
  論文  参考訳（メタデータ） (2024-09-03T02:37:34Z)
• Disco-Bench: A Discourse-Aware Evaluation Benchmark for Language Modelling [70.23876429382969]
  本研究では,多種多様なNLPタスクに対して,文内談話特性を評価できるベンチマークを提案する。 ディスコ・ベンチは文学領域における9つの文書レベルのテストセットから構成されており、豊富な談話現象を含んでいる。 また,言語分析のために,対象モデルが談話知識を学習するかどうかを検証できる診断テストスイートを設計する。
  論文  参考訳（メタデータ） (2023-07-16T15:18:25Z)

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。