論文の概要: Keyword spotting using convolutional neural network for speech recognition in Hindi

• arxiv url: http://arxiv.org/abs/2605.02928v1
• Date: Sun, 26 Apr 2026 21:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.502916
• Title: Keyword spotting using convolutional neural network for speech recognition in Hindi
• Title（参考訳）: ヒンディー語音声認識のための畳み込みニューラルネットワークを用いたキーワードスポッティング
• Authors: Saru Bharti, Pushparaj Mani Pathak,
• Abstract要約: 我々は,ユーザ固有のクエリに適した,デバイス上で効率的なKWSシステムの開発に重点を置いている。 我々は,生音声録音をMel Frequency Cepstral Coefficients (MFCCs) に変換するために,特徴工学的手法を採用している。 我々のCNNベースのアプローチは、厳密な評価により91.79%の補正精度を達成する。
• 参考スコア（独自算出の注目度）: 0.6359663723794672
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this study, we investigate the application of keyword spotting (KWS) in the domain of Hindi speech recognition, utilizing a dataset comprising 40,000 audio samples. With a sampling rate of 44 kHz and an average duration of 1.9 seconds per sample, we focus on developing an efficient on-device KWS system tailored for user-specific queries. Leveraging Convolutional Neural Networks (CNNs) for classification, we employ feature engineering techniques to convert raw audio recordings into Mel Frequency Cepstral Coefficients (MFCCs) as an input for our network. Our experiments encompass various CNN architectures, exploring their efficacy in identifying predefined keywords within the continuous speech stream. Our CNN-based approach achieves a commendable accuracy rate of 91.79% through rigorous evaluation, demonstrating promising performance while ensuring computational efficiency and user-specific customization in Hindi speech recognition.
• Abstract（参考訳）: 本研究では,4万の音声サンプルからなるデータセットを用いて,ヒンディー語音声認識領域におけるキーワードスポッティング(KWS)の適用について検討した。 44kHzのサンプリングレートと1サンプルあたりの平均時間は1.9秒であり,ユーザ固有のクエリに適したデバイス上での効率的なKWSシステムの開発に重点を置いている。 分類に畳み込みニューラルネットワーク(CNN)を活用することで,生音声録音をMel Frequency Cepstral Coefficients(MFCC)に変換する機能工学的手法をネットワークの入力として採用する。 実験では,CNNアーキテクチャを網羅し,連続音声ストリーム内で予め定義されたキーワードを識別するの有効性について検討した。 我々のCNNベースのアプローチは、厳密な評価により91.79%の精度を達成し、ヒンディー語音声認識における計算効率とユーザ固有のカスタマイズを確保しつつ、有望な性能を示す。

関連論文リスト

• Quantized Approximate Signal Processing (QASP): Towards Homomorphic Encryption for audio [1.3584036432145363]
  ホモモルフィック暗号化(FHE)は、暗号化されたデータの計算を可能にし、ユーザのプライバシを保存することで、有望なソリューションを提供する。 ここでは、FHEと量子化されたニューラルネットワーク操作を用いて、完全にセキュアなパイプラインを計算します。 提案手法は,音声記述子と畳み込みニューラルネットワーク(CNN)分類器のプライベートな計算もサポートする。
  論文  参考訳（メタデータ） (2025-05-15T17:01:52Z)
• Robust Persian Digit Recognition in Noisy Environments Using Hybrid CNN-BiGRU Model [1.5566524830295307]
  本研究は,雑音条件下でのペルシャ文字の孤立認識(ゼロから9)に対処する。 残差畳み込みニューラルネットワークと双方向ゲートユニット(BiGRU)を組み合わせたハイブリッドモデルを提案する。 実験の結果、モデルの有効性が98.53%、96.10%、トレーニング、検証、テストセットにおける95.92%の精度で証明された。
  論文  参考訳（メタデータ） (2024-12-14T15:11:42Z)
• SpokeN-100: A Cross-Lingual Benchmarking Dataset for The Classification of Spoken Numbers in Different Languages [0.0]
  ベンチマークは、コンパクトなディープラーニングモデルの性能を評価し、向上する上で重要な役割を果たす。 本研究では,音声認識に適した全く人工的なベンチマークデータセットを提案する。 SpokeN-100は、0から99までの話者数で構成され、4つの異なる言語で32の話者によって話される。
  論文  参考訳（メタデータ） (2024-03-14T12:07:37Z)
• Multilingual Audio-Visual Speech Recognition with Hybrid CTC/RNN-T Fast Conformer [59.57249127943914]
  本稿では,複数の改良を加えた多言語音声認識モデルを提案する。 我々は、6つの異なる言語に対する音声視覚訓練データの量を増やし、重複しない多言語データセットの自動書き起こしを生成する。 提案モデルでは, LRS3データセット上での新たな最先端性能を実現し, WERは0.8%に達した。
  論文  参考訳（メタデータ） (2024-03-14T01:16:32Z)
• Introducing Semantics into Speech Encoders [91.37001512418111]
  本研究では,大言語モデルからの意味情報をラベル付き音声書き起こしのない自己教師付き音声エンコーダに組み込む教師なしの手法を提案する。 提案手法は,100時間以上のラベル付き音声書き起こしにおける教師あり手法と類似した性能を実現する。
  論文  参考訳（メタデータ） (2022-11-15T18:44:28Z)
• Wav2Seq: Pre-training Speech-to-Text Encoder-Decoder Models Using Pseudo Languages [58.43299730989809]
  本稿では,音声データに対するエンコーダ・デコーダモデルの両部分を事前学習するための,最初の自己教師型アプローチであるWav2Seqを紹介する。 我々は、コンパクトな離散表現として擬似言語を誘導し、自己教師付き擬似音声認識タスクを定式化する。 このプロセスは独自のものであり、低コストの第2段階のトレーニングとして適用することができる。
  論文  参考訳（メタデータ） (2022-05-02T17:59:02Z)
• Is Attention always needed? A Case Study on Language Identification from Speech [1.162918464251504]
  本研究では,畳み込みリカレントニューラルネットワーク(CRNN)を用いたLIDを提案する。 CRNNベースのLIDは、音声サンプルのMel- frequency Cepstral Coefficient(MFCC)特性で動作するように設計されている。 LIDモデルは言語的に類似した言語に対して97%から100%のハイパフォーマンスレベルを示す。
  論文  参考訳（メタデータ） (2021-10-05T16:38:57Z)
• On Addressing Practical Challenges for RNN-Transduce [72.72132048437751]
  オーディオデータを収集することなく、よく訓練されたRNN-Tモデルを新しいドメインに適応します。 復号時に計算された複数の特徴を利用して単語レベルの信頼度を求める。 提案手法では,平均で50ms以下の単語のタイミング差が得られる。
  論文  参考訳（メタデータ） (2021-04-27T23:31:43Z)
• AutoSpeech: Neural Architecture Search for Speaker Recognition [108.69505815793028]
  本稿では,AutoSpeech という名称の話者認識タスクに対して,最初のニューラルアーキテクチャ探索アプローチを提案する。 提案アルゴリズムはまず,ニューラルネットワークの最適操作の組み合わせを特定し,その後,複数回重ねてCNNモデルを導出する。 得られたCNNアーキテクチャは,モデル複雑性を低減しつつ,VGG-M,ResNet-18,ResNet-34のバックボーンに基づく現在の話者認識システムよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-05-07T02:53:47Z)
• Deep Speaker Embeddings for Far-Field Speaker Recognition on Short Utterances [53.063441357826484]
  深層話者埋め込みに基づく話者認識システムは,制御条件下での大幅な性能向上を実現している。 制御されていない雑音環境下での短い発話に対する話者検証は、最も困難で要求の高いタスクの1つである。 本稿では,a)環境騒音の有無による遠距離話者検証システムの品質向上,b)短時間発話におけるシステム品質劣化の低減という2つの目標を達成するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-14T13:34:33Z)

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。