論文の概要: LoASR-Bench: Evaluating Large Speech Language Models on Low-Resource Automatic Speech Recognition Across Language Families

• arxiv url: http://arxiv.org/abs/2603.20042v1
• Date: Fri, 20 Mar 2026 15:26:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.20686
• Title: LoASR-Bench: Evaluating Large Speech Language Models on Low-Resource Automatic Speech Recognition Across Language Families
• Title（参考訳）: LoASR-Bench:低音源自動音声認識における音声モデルの評価
• Authors: Jianan Chen, Xiaoxue Gao, Tatsuya Kawahara, Nancy F. Chen,
• Abstract要約: 大規模言語モデル(LLM)は、音声言語モデル(SpeechLM)の大幅な進歩を導いている。 LoASR-Benchはラテン文字と非ラテン文字の両方を特徴とする9つの言語ファミリーの25の言語で構成されている。 実験結果は、現実世界の低リソース言語を扱う際の最新のSpeechLMの限界を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 53.111005425237245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have driven substantial advances in speech language models (SpeechLMs), yielding strong performance in automatic speech recognition (ASR) under high-resource conditions. However, existing benchmarks predominantly focus on high-resource languages, leaving the ASR behavior of SpeechLMs in low-resource languages insufficiently understood. This gap is critical, as practical ASR systems must reliably support low-resource languages and generalize across diverse language families, and it directly hinders the deployment of SpeechLM-based ASR in real-world multilingual scenarios. As a result, it is essential to evaluate SpeechLMs on low-resource languages to ensure their generalizability across different language families. To address this problem, we propose \textbf{LoASR-Bench}, a comprehensive benchmark designed to evaluate \textbf{lo}w-resource \textbf{a}utomatic \textbf{s}peech \textbf{r}ecognition (\textbf{ASR}) of the latest SpeechLMs across diverse language families. LoASR-Bench comprises 25 languages from 9 language families, featuring both Latin and non-Latin scripts, enabling cross-linguistic and cross-script assessment of ASR performance of current SpeechLMs. Experimental results highlight the limitations of the latest SpeechLMs in handling real-world low-resource languages.
• Abstract（参考訳）: 大規模言語モデル (LLMs) は音声モデル (SpeechLMs) の大幅な進歩を推進し, 高資源環境下での自動音声認識 (ASR) の性能が向上した。 しかし、既存のベンチマークは主に高リソース言語に焦点を当てており、低リソース言語におけるSpeechLMのASRの振る舞いは十分に理解されていない。 このギャップは、実用的なASRシステムが低リソース言語を確実にサポートし、多様な言語ファミリーをまたいで一般化する必要があるため、現実の多言語シナリオにおけるSpeechLMベースのASRの展開を妨げている。 その結果、低リソース言語上でのSpeechLMの評価は、異なる言語ファミリー間での一般化性を確保するために不可欠である。 この問題に対処するため,さまざまな言語族を対象とした最新のSpeechLM の \textbf{lo}w-resource \textbf{a}utomatic \textbf{s}peech \textbf{r}ecognition (\textbf{ASR}) を評価するために設計された総合ベンチマークである \textbf{LoASR-Bench} を提案する。 LoASR-Benchは9つの言語ファミリーから25の言語で構成されており、ラテン文字と非ラテン文字の両方を特徴としている。 実験結果は、現実世界の低リソース言語を扱う際の最新のSpeechLMの限界を浮き彫りにした。

関連論文リスト

• Multimodal In-context Learning for ASR of Low-resource Languages [16.078416187950207]
  大規模言語モデル(LLM)を用いたインコンテキスト学習(ICL)はこの問題に対処する。 本稿では,マルチモーダル ICL (MICL) を用いて,LLM が未知言語を学習できるかどうかを検討する。 言語間移動学習は、訓練なしでターゲット言語でのMICL効率を向上させる。
  論文  参考訳（メタデータ） (2026-01-09T10:52:23Z)
• Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages [76.14451035425229]
  大規模自動音声認識システムであるOmnilingual ASRを紹介する。 自己教師付き事前学習を7Bパラメータに拡張し、堅牢な音声表現を学習する。 ASRが提供しなかった500以上の言語を含む1,600以上の言語にカバー範囲を広げている。
  論文  参考訳（メタデータ） (2025-11-12T19:48:09Z)
• Speech LLMs in Low-Resource Scenarios: Data Volume Requirements and the Impact of Pretraining on High-Resource Languages [9.577509224534323]
  大規模言語モデル (LLM) は, 様々なタスクにおいて, 音声入力を高速に処理し, 最先端の性能に到達する可能性を実証している。 本研究では,SLAM-ASRフレームワークを用いた低リソース自動音声認識におけるLLMの利用について検討する。 単言語または多言語プロジェクタを高ソース言語で事前訓練することにより,データ不足の影響を低減できることを示す。
  論文  参考訳（メタデータ） (2025-08-07T08:33:42Z)
• Breaking the Transcription Bottleneck: Fine-tuning ASR Models for Extremely Low-Resource Fieldwork Languages [1.758729398520438]
  MMS と XLS-R の2つの細調整された多言語 ASR モデルの性能を,5つの型式的に多様な低リソース言語でベンチマークした。 XLS-Rはトレーニングデータが1時間を超えるとパリティ性能を示すのに対し,MMSは極端に少ないトレーニングデータが得られる場合に最適であることがわかった。
  論文  参考訳（メタデータ） (2025-06-20T19:59:49Z)
• mSTEB: Massively Multilingual Evaluation of LLMs on Speech and Text Tasks [14.0147704462457]
  我々は,大規模言語モデル(LLM)の性能を幅広いタスクで評価するための新しいベンチマークであるmSTEBを紹介する。 我々は,Gemini 2.0 Flash や GPT-4o (Audio) などの主要な LLM や Qwen 2 Audio や Gemma 3 27B といった最先端のオープンモデルの性能を評価する。
  論文  参考訳（メタデータ） (2025-06-10T03:15:08Z)
• Enhancing Multilingual ASR for Unseen Languages via Language Embedding Modeling [50.62091603179394]
  最も先進的なASRモデルの1つであるWhisperは99の言語を効果的に扱う。 しかし、ウィスパーは未確認の言語と戦っているが、それらは事前訓練には含まれていない。 本研究では,これらの関係を利用して未知言語上でのASR性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-12-21T04:05:43Z)
• 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)
• That Sounds Familiar: an Analysis of Phonetic Representations Transfer Across Languages [72.9927937955371]
  我々は、他言語に存在するリソースを用いて、多言語自動音声認識モデルを訓練する。 我々は,多言語設定における全言語間での大幅な改善と,多言語設定におけるスターク劣化を観察した。 分析の結果、ひとつの言語に固有の電話でさえ、他の言語からのトレーニングデータを追加することで大きなメリットがあることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T22:28:09Z)

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。