論文の概要: Efficient ASR Training with Conversations that Never Happened

• arxiv url: http://arxiv.org/abs/2606.03957v1
• Date: Tue, 02 Jun 2026 17:46:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.228845
• Title: Efficient ASR Training with Conversations that Never Happened
• Title（参考訳）: 一度も起こらなかった会話による効果的なASRトレーニング
• Authors: Máté Gedeon, Péter Mihajlik,
• Abstract要約: 本稿では,参加者メタデータを用いたシナリオレベルの対話を生成する拡張パイプラインを提案する。 次に、話者属性をTS音声プロファイルにマッピングし、合成された発話を話者認識型会話に組み立てる。
• 参考スコア（独自算出の注目度）: 1.0251581485267474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational ASR for lower-resource languages and niche domains is limited by the scarcity of domain-matched multi-speaker training data. We propose an augmentation pipeline that generates scenario-level dialogues with participant metadata, maps speaker attributes to TTS voice profiles, and assembles synthesized utterances into speaker-aware simulated conversations. We evaluated five LLM families under single-generator, fixed-budget mixture, and scale-up settings using the same FastConformer-Large training recipe for each one. We ran comprehensive evaluations on the Hungarian BEA-Dialogue benchmark corpus, with the method itself being applicable to any language given the resources for each component. The results show that synthetic conversations consistently improve speech recognition performance, but generator choice and data composition strongly affect the gains. Our largest training configuration, using only 67 hours of real conversations and 636 hours of simulated data, achieves better performance on the evaluation benchmark than a zero-shot model trained on 2700 hours of Hungarian speech. These findings indicate that LLM-generated conversational data synthesized with TTS is a practical complement to real conversational corpora for speech model training.
• Abstract（参考訳）: 低リソース言語とニッチドメインの会話型ASRは、ドメインマッチングされたマルチスピーカートレーニングデータの不足によって制限される。 本稿では、参加者メタデータとシナリオレベルの対話を生成する拡張パイプラインを提案し、話者属性をTTS音声プロファイルにマッピングし、合成された発話を話者認識型会話に組み立てる。 同一のFastConformer-Largeトレーニングレシピを用いて, 単系統, 固定予算混合, スケールアップ設定による5つのLCMファミリーの評価を行った。 ハンガリーのBEA-Dialogueベンチマークコーパスで包括的な評価を行い、メソッド自体が各コンポーネントのリソースを与えられた任意の言語に適用されるようにしました。 その結果、合成会話は音声認識性能を継続的に改善するが、生成者選択とデータ構成は利得に強く影響を及ぼすことがわかった。 我々の最大のトレーニング構成は、実際の会話の67時間とシミュレートされたデータ636時間しか使用せず、ハンガリー語の2700時間でトレーニングされたゼロショットモデルよりも、評価ベンチマークでのより良いパフォーマンスを実現しています。 これらの結果から,TLSで合成したLLM生成会話データは,実際の会話コーパスを補完するものであることが示唆された。

関連論文リスト

• Scaling Conversational Hungarian ASR: The BEA-Dialogue+ Corpus [1.3432835891025114]
  本稿では,BEA-Dialogueコーパスの拡張版であるBEA-Dialogue+を紹介する。 この結果、200時間の自然な会話が書き起こされる。 両コーパスバージョンにおけるWhisperおよびFastConformerに基づくモデルの評価を行った。
  論文  参考訳（メタデータ） (2026-05-29T16:01:25Z)
• MUSCAT: MUltilingual, SCientific ConversATion Benchmark [60.87925076316812]
  多言語音声技術の目標は、異なる言語を話す個人間のシームレスなコミュニケーションを容易にすることである。 この経験を生み出すためには、音声技術は、混合多言語入力、特定の語彙、コードスイッチングといったいくつかの課題に対処する必要がある。 本稿では,これらの課題に対処できるかどうかを問う,現在の音声認識(ASR)システムを評価するための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T10:39:01Z)
• Speaker-Aware Simulation Improves Conversational Speech Recognition [1.0251581485267474]
  ハンガリー語会話型ASRのためのSASCフレームワークを適応し実装する。 C-SASC(C-SASC)は、発話時間に条件付きポーズモデリングを組み込んだ拡張版である。 我々は、BEA-Largeコーパスから合成ハンガリー語対話を生成し、それらを実際の会話データと組み合わせてASR訓練を行う。
  論文  参考訳（メタデータ） (2026-02-04T17:12:09Z)
• 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)
• Bi-directional Context-Enhanced Speech Large Language Models for Multilingual Conversational ASR [23.285609467633865]
  本稿では、多言語連続会話自動音声認識(ASR)を改善するために、言語固有の双方向コンテキストを音声大言語モデル(SLLM)に統合する。 トレーニング中の文字レベルのコンテキストマスキング戦略を提案する。これにより、コンテキストの一部がランダムに除去され、堅牢性が向上し、推論中に発生する可能性のある欠陥のある文字のエミュレートが向上する。
  論文  参考訳（メタデータ） (2025-06-16T12:03:23Z)
• Leveraging LLM and Self-Supervised Training Models for Speech Recognition in Chinese Dialects: A Comparative Analysis [4.774607166378613]
  自己教師付き事前トレーニングと大規模言語モデル(LLM)を組み合わせることで、低リソースシナリオにおけるASRのパフォーマンスを効果的に向上させることができる。 我々は、ラベル付き方言とアクセント付き音声データの30,000時間でData2vec2モデルを事前訓練し、教師付きデータセット上で4万時間アライメントトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-27T12:50:55Z)
• ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text Translation [79.66359274050885]
  公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。 提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:42:15Z)
• WavLM: Large-Scale Self-Supervised Pre-Training for Full Stack Speech Processing [102.45426364965887]
  そこで本研究では,フルスタックダウンストリーム音声タスクを解決するための,事前学習型モデルWavLMを提案する。 WavLMはHuBERTフレームワークに基づいて構築されており、音声コンテンツモデリングと話者アイデンティティ保存の両方に重点を置いている。 トレーニングデータセットを60k時間から94k時間までの公開オーディオデータにスケールアップし、そのトレーニング手順を最適化して表現抽出を改善する。
  論文  参考訳（メタデータ） (2021-10-26T17:55:19Z)
• Unsupervised Cross-lingual Representation Learning for Speech Recognition [63.85924123692923]
  XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。 我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。 実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-24T18:25:05Z)
• Semi-supervised Learning for Multi-speaker Text-to-speech Synthesis Using Discrete Speech Representation [125.59372403631006]
  マルチ話者テキスト音声(TTS)のための半教師付き学習手法を提案する。 マルチスピーカTTSモデルは、離散音声表現を備えたエンコーダデコーダフレームワークを用いて、未転写音声から学習することができる。 提案した半教師あり学習手法は,音声データの一部がうるさい場合にも有効であることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T15:47:11Z)

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。