論文の概要: PashtoTTS-Bench: automated screening for low-resource non-Latin-script text-to-speech

• arxiv url: http://arxiv.org/abs/2605.26978v1
• Date: Tue, 26 May 2026 13:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.173398
• Title: PashtoTTS-Bench: automated screening for low-resource non-Latin-script text-to-speech
• Title（参考訳）: PashtoTTS-Bench:低リソース非ラテン文字テキスト音声の自動スクリーニング
• Authors: Hanif Rahman,
• Abstract要約: 単一ASRラウンドトリップ単語誤り率(WER)に依存する低リソース非ラテン文字言語に対するテキスト音声による評価は失敗する可能性がある これらのケースを分離するレポートフレームワークであるINSVを紹介します。 我々は、Pashto TTSのベンチマークであるPashtoTTS-BenchとしてINSV-Aをインスタンス化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-speech (TTS) evaluation for low-resource non-Latin-script languages can fail when it relies on a single ASR round-trip word error rate (WER). A system may produce no audio, speak a neighbouring language, preserve target script text only in an ASR transcript, or sound unnatural to native listeners. We introduce INSV (Intelligibility, Naturalness, Script fidelity, and Verification), a reporting framework that separates these cases. This paper reports INSV-A, the automated screening subset: synthesis completion, ASR WER/CER, transcript Script Fidelity Rate, and audio language identification. Native MOS and phonetic annotation are specified but not claimed in this release. We instantiate INSV-A as PashtoTTS-Bench, a dated benchmark for Pashto TTS. The April-May 2026 run evaluates Edge GulNawaz, Edge Latifa, OmniVoice clone, OmniVoice auto, and an Urdu negative control on 200 FLEURS and 200 filtered Common Voice 24 prompts. Under the independent omniASR_CTC_300M_v2, OmniVoice auto has the lowest WER (24.1% FLEURS, 27.4% CV24), followed by Edge GulNawaz (32.8%, 39.5%), Edge Latifa (35.6%, 47.7%), and OmniVoice clone (45.4%, 34.8%). WER below the natural-speech baseline reflects clean synthetic audio and should not be read as better than native speech. Whisper Large V3 returns 0.0% Pashto labels on checked Pashto TTS audio, while MMS-LID-4017 and SpeechBrain VoxLingua107 separate Pashto outputs from the Urdu control. The release provides provider metadata, per-sentence scores, LID audits, failure logs, and scripts for adding systems.
• Abstract（参考訳）: 低リソース非ラテン文字言語に対するTTS ( Text-to-Speech) の評価は、単一のASRラウンドトリップワードエラーレート (WER) に依存すると失敗する可能性がある。 システムは音声を生成せず、近隣の言語を話し、ターゲットスクリプトのテキストをASRの文字起こしでのみ保存したり、ネイティブリスナーに不自然な音を出す。 InSV(Intelligibility, Naturalness, Script fidelity, and Verification)は,これらのケースを分離したレポートフレームワークである。 本稿では, 自動スクリーニングサブセットであるINSV-A, 合成完了, ASR WER/CER, 書き起こしスクリプトの忠実度率, 音声言語識別について報告する。 ネイティブMOSと音声アノテーションは指定されているが、今回のリリースでは主張されていない。 我々は、Pashto TTSのベンチマークであるPashtoTTS-BenchとしてINSV-Aをインスタンス化する。 2026年4月から5月にかけて、Edge GulNawaz、Edge Latifa、OmniVoice clone、OmniVoice auto、Urduの200FLEURSと200のフィルター付きCommon Voice 24プロンプトが評価された。 独立系のOmniASR_CTC_300M_v2では、OmniVoice自動車が最も低いWER(24.1% FLEURS, 27.4% CV24)、続いてエッジ・グルナワズ(32.8%, 39.5%)、エッジ・ラティファ(35.6%, 47.7%)、オムニVoiceクローン(45.4%, 34.8%)が続く。 自然な音声ベースラインの下にあるWERは、クリーンな合成音声を反映しており、ネイティブ音声よりも読みやすいものではない。 Whisper Large V3はチェック済みのPashto TTSオーディオのPashtoラベルを0.0%、MMS-LID-4017とSpeechBrain VoxLingua107はPashto出力をUrduコントロールから分離する。 このリリースは、プロバイダメタデータ、文ごとのスコア、LID監査、障害ログ、システム追加のためのスクリプトを提供する。

関連論文リスト

• X-Voice: Enabling Everyone to Speak 30 Languages via Zero-Shot Cross-Lingual Voice Cloning [62.740127542449166]
  X-Voiceは、任意の音声をクローンし、誰でも30の言語を話せる多言語ゼロショット音声クローンモデルである。 X-Voiceは国際音声アルファベット(IPA)を統一表現として420K時間多言語コーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-05-07T02:57:53Z)
• BlasBench: An Open Benchmark for Irish Speech Recognition [0.0]
  既存のベンチマークにはアイルランド語が含まれているが、アイルランド語対応のテキスト正規化は適用されていない。 BlasBenchを紹介します。これは、ファダ、レニッション、エクリプシスを保存するスタンドアロンのアイリッシュ・アウェア・ノーマルライザを提供するオープンアセスメントハーネスです。 私たちは、Common Voice Ga-IEとFLEURS ga-IEの4つのアーキテクチャファミリで12のシステムをベンチマークすることで、これを試行しています。
  論文  参考訳（メタデータ） (2026-04-12T17:17:54Z)
• Benchmarking Multilingual Speech Models on Pashto: Zero-Shot ASR, Script Failure, and Cross-Domain Evaluation [0.0]
  Pashtoは、約6000～8000万人が話すが、共有公開テストセット上での多言語自動音声認識(ASR)のベンチマークは公開されていない。 本稿では,公開Pashtoデータに対する最初の再現可能なマルチモデル評価を行い,ゼロショットASR,スクリプトレベルの故障,微調整モデルのクロスドメイン評価について報告する。
  論文  参考訳（メタデータ） (2026-04-06T11:23:42Z)
• Distilling an End-to-End Voice Assistant Without Instruction Training Data [53.524071162124464]
  Distilled Voice Assistant (DiVA)は、質問応答、分類、翻訳を一般化する。 Qwen 2 Audioのような最先端のモデルと比較すると,DiVAはユーザの好みによく適合し,72%の勝利率を達成した。
  論文  参考訳（メタデータ） (2024-10-03T17:04:48Z)
• 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)
• A Cross-Modal Approach to Silent Speech with LLM-Enhanced Recognition [0.0]
  サイレント音声インタフェース(SSI)は、無音音声通信のための脳-コンピュータインタフェースの非侵襲的な代替手段を提供する。 我々は,マルチモーダル・ニューラル・オーディオ(MONA)を導入し,多モーダル・アライメントを利用した多モーダル・モデルの学習を行う。 我々の知る限りでは、オープンボキャブラリ上の非侵襲的無声音声認識が15% WERの閾値をクリアした最初の事例である。
  論文  参考訳（メタデータ） (2024-03-02T21:15:24Z)
• Code-Mixed Text to Speech Synthesis under Low-Resource Constraints [6.544954579068865]
  本稿では,eコマースアプリケーション向けに構築されたHindi-English TTSシステムについて述べる。 本稿では,個々の言語におけるモノリンガルデータセットを利用したデータ指向手法を提案する。 純粋なコード混在テストセットでは、コード混在のない単一のスクリプトバイランガルトレーニングが有効であることを示す。
  論文  参考訳（メタデータ） (2023-12-02T10:40:38Z)
• Visual Speech Recognition for Languages with Limited Labeled Data using Automatic Labels from Whisper [96.43501666278316]
  本稿では,複数の言語を対象とした強力な視覚音声認識(VSR)手法を提案する。 言語識別と音声認識の両方が可能なWhisperモデルを用いる。 自動ラベルで訓練されたVSRモデルと人称ラベルで訓練したVSRモデルの性能を比較することにより,人間対応ラベルと類似のVSR性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-09-15T16:53:01Z)
• BLASER: A Text-Free Speech-to-Speech Translation Evaluation Metric [66.73705349465207]
  エンドツーエンドの音声音声翻訳(S2ST)は、一般的にテキストベースのメトリクスで評価される。 本稿では,ASRシステムへの依存を回避するために,BLASERと呼ばれるエンドツーエンドS2STのテキストフリー評価指標を提案する。
  論文  参考訳（メタデータ） (2022-12-16T14:00:26Z)
• When Is TTS Augmentation Through a Pivot Language Useful? [26.084140117526488]
  我々は,高出力のピボット言語のための訓練されたTSシステムを用いて,ターゲット言語からテキストを実行することによって,合成音声を生成することを提案する。 数千の合成TSテキスト音声ペアを使用し、実際のデータを複製して最適な結果を得る。 これらの発見の応用は、2つの低リソース言語に対してそれぞれ64.5%と45.0%の文字誤り低減率(CERR)を改善する。
  論文  参考訳（メタデータ） (2022-07-20T13:33:41Z)

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。