論文の概要: WASIL: In-the-Wild Arabic Spoken Interactions with LLMs

• arxiv url: http://arxiv.org/abs/2605.16364v1
• Date: Sat, 09 May 2026 17:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.295272
• Title: WASIL: In-the-Wild Arabic Spoken Interactions with LLMs
• Title（参考訳）: WASIL: LLMとWild Arabic Spokenのインタラクション
• Abstract要約: LLM(Large Language Models)音声アシスタントは、一般的にLLMシステムへのカスケード自動音声認識(ASR)として構築される。 嫌悪は、あいまいな、ドメイン外または非要求のターンから生じ、ASR効果の分離が困難になる。 We release WASIL: in-the-the-wild Arabic spoken interaction prompts with audio, ASR hypotheses, assistant response, and explicit like/dislike feedback。
• 参考スコア（独自算出の注目度）: 20.851182096190815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) voice assistants are commonly built as cascaded Automatic Speech recognition (ASR) to LLM systems, where recognition errors can distort user intent. Dislikes may also arise from ambiguous, out-of-domain, or non-request turns, making it hard to isolate ASR effects. We release WASIL (it denotes connection or linking in Arabic): in-the-wild Arabic spoken interaction prompts with audio, ASR hypotheses, assistant responses, and explicit like/dislike feedback (8,529 turns; 14.2% dislikes), plus a 2,000-turn test set covering Modern Standard Arabic (MSA) and four major dialects with their labels. We provide low-cost gold transcripts via multi-ASR agreement-guided post-editing and annotate answerability (answerable, ambiguous/needs-clarification, unsupported, not-a-request/noise) to separate intrinsic unanswerability from ASR-induced degradation. Finally, we describe scalable reference-free evaluation of responses from ASR vs. gold transcripts using multi-judge LLM scoring.
• Abstract（参考訳）: LLM(Large Language Models)音声アシスタントは一般的に、LLMシステムへのカスケード自動音声認識(ASR)として構築される。 嫌悪は、あいまいな、ドメイン外または非要求のターンから生じることもあり、ASR効果の分離が困難になる。 我々はWASIL(アラビア語で接続またはリンクを表す)をリリースする: アラビア語が音声、ASR仮説、アシスタント応答、明示的な類似/非類似のフィードバック(8,529回、14.2%の嫌悪)に加えて、現代標準アラビア語(MSA)と4つの主要方言をラベル付きでカバーする2000ターンテストセット。 我々は、ASRによる劣化から本質的未解決性を分離するために、マルチASR合意誘導後編集および注釈回答可能性(回答可能、曖昧/必要/明確化なし、サポートなし、要求/ノイズなし)を介して、低コストの金写本を提供する。 最後に、マルチジャッジLCMスコアリングを用いた、ASRと金の転写書からの応答のスケーラブルな参照フリー評価について述べる。

関連論文リスト

• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• Context-Aware Whisper for Arabic ASR Under Linguistic Varieties [27.039946482465268]
  そこで我々は,OpenAIのWhisperをアラビア音声認識に適用するための文脈認識戦略を提案する。 本稿では, アクセシブリオーダー, 話者対応プレフィックス合成, モーダリティ特化検索などの手法を紹介する。 我々のアプローチは、WERを現代標準アラビア語で最大22.3%、方言言語で最大9.2%削減する。
  論文  参考訳（メタデータ） (2025-11-24T05:16:04Z)
• CantoASR: Prosody-Aware ASR-LALM Collaboration for Low-Resource Cantonese [12.212610339289453]
  CantoASRは音響特徴抽出のための強制アライメントとLoRAファインチュア・ウィスパーを統合し、音色識別を改善している。 自発的カントンデータによる評価では、Whisper-Large-V3よりもかなりのCERゲインを示した。
  論文  参考訳（メタデータ） (2025-11-06T07:36:24Z)
• 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)
• Large Language Models based ASR Error Correction for Child Conversations [29.60036844081859]
  LLM(Large Language Models)は、ASR転写を改善することを約束している。 LLMはゼロショットのASR出力と微調整のCTCベースのASR出力の補正に有用である。 LLMが文脈情報を組み込む場合、ASRの性能を改善することは依然として困難である。
  論文  参考訳（メタデータ） (2025-05-22T04:28:02Z)
• Benchmarking Open-ended Audio Dialogue Understanding for Large Audio-Language Models [58.43486430996411]
  LALM(Large Audio-Language Models)は、最近、人間との直接の音声交換を可能にする音声対話機能をアンロックした。 オープンエンド音声対話理解におけるLALMの性能を評価するための音声対話理解ベンチマーク(ADU-Bench)を提案する。 ADU-Benchには、LALMの評価のための2万以上のオープンエンドオーディオダイアログが含まれている。
  論文  参考訳（メタデータ） (2024-12-06T16:34:15Z)
• ALIF: Low-Cost Adversarial Audio Attacks on Black-Box Speech Platforms using Linguistic Features [25.28307679567351]
  ALIFは、最初のブラックボックス対応言語機能ベースのアタックパイプラインである。 本稿では,デジタルドメインと物理再生環境の両方で攻撃を開始するためのALIF-OTLおよびALIF-OTAスキームを提案する。
  論文  参考訳（メタデータ） (2024-08-03T15:30:16Z)
• Towards interfacing large language models with ASR systems using confidence measures and prompting [54.39667883394458]
  本研究では,大言語モデル(LLM)を用いたASRテキストのポストホック修正について検討する。 精度の高い転写文に誤りを導入することを避けるため,信頼度に基づくフィルタリング手法を提案する。 その結果,競争力の低いASRシステムの性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-07-31T08:00:41Z)
• Blending LLMs into Cascaded Speech Translation: KIT's Offline Speech Translation System for IWSLT 2024 [61.189875635090225]
  大規模言語モデル (LLM) は現在,自動音声認識 (ASR) や機械翻訳 (MT) ,さらにはエンドツーエンド音声翻訳 (ST) など,さまざまなタスクを探索中である。
  論文  参考訳（メタデータ） (2024-06-24T16:38:17Z)
• SpeechDPR: End-to-End Spoken Passage Retrieval for Open-Domain Spoken Question Answering [76.4510005602893]
  SQA(Spken Question Answering)は、機械がユーザの質問に応答するために必要である。 本稿では、最初のエンドツーエンドフレームワークであるSpeechDPR(SpeechDPR)を提案する。 教師なしASR (UASR) と高密度テキスト検索器 (TDR) のカスケードモデルから知識を抽出して文レベルの意味表現を学習する
  論文  参考訳（メタデータ） (2024-01-24T14:08:38Z)
• On the Impact of Speech Recognition Errors in Passage Retrieval for Spoken Question Answering [13.013751306590303]
  合成ASR雑音に対する語彙・高密度レトリバーのロバスト性について検討した。 我々は,人間の声による質問を含む新しいデータセットを作成し,その書き起こしを用いて,合成ASRノイズの代わりに自然なASRノイズを扱う場合に,検索性能がさらに劣化することを示す。
  論文  参考訳（メタデータ） (2022-09-26T18:29:36Z)

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。