論文の概要: Phonetic Error Analysis of Raw Waveform Acoustic Models

• arxiv url: http://arxiv.org/abs/2606.07030v1
• Date: Fri, 05 Jun 2026 08:19:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.635988
• Title: Phonetic Error Analysis of Raw Waveform Acoustic Models
• Title（参考訳）: 生波形音響モデルの音声誤り解析
• Authors: Erfan Loweimi, Zhengjun Yue, Andrea Carmantini, Zoran Cvetkovic, Steve Renals, Peter Bell,
• Abstract要約: TIMIT音声認識における生波形音響モデルの誤りパターンの解析を行う。 一方、WSJ転送学習は母音の約3倍の子音を改善する。
• 参考スコア（独自算出の注目度）: 19.606180412552614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We analyse error patterns of raw waveform acoustic models on TIMIT phone recognition beyond the overall phone error rate (PER). PER is decomposed across three broad phonetic class (BPC) categorisations, and confusion matrices are constructed from substitution errors. Our models combine parametric (SincNet, Sinc2Net) or non-parametric CNNs with Bidirectional LSTMs, achieving 13.9%/15.3% PER on Dev/Test, the best reported results for raw waveform models on TIMIT. Transfer learning from WSJ reduces PER to 11.3%/12.3%, surpassing the Filterbank baseline. Per-BPC analysis reveals that BLSTM layers benefit transition-dependent classes most, while WSJ transfer learning improves consonants roughly three times more than vowels. Confusion patterns are consistent across raw waveform and Filterbank systems, indicating that the dominant confusions reflect inherent phonetic similarities.
• Abstract（参考訳）: TIMIT音声認識における生波形音響モデルの誤りパターンを,音声誤り率(PER)を超えて解析する。 PERは3つの広帯域音声分類(BPC)に分解され、置換誤差から混乱行列を構成する。 我々のモデルは、パラメトリック(SincNet, Sinc2Net)または非パラメトリックCNNと双方向LSTMを組み合わせ、Dev/Testで13.9%/15.3%のPERを達成した。 WSJからの転送学習は、PERを11.3%/12.3%に減らし、フィルタバンクのベースラインを超えた。 一方、WSJ転送学習は母音の約3倍の子音を改善する。 混和パターンは生波形とフィルタバンク系で一致しており、支配的な混乱は固有の音韻的類似性を反映していることを示している。

関連論文リスト

• When Fine-Tuning Fails and when it Generalises: Role of Data Diversity and Mixed Training in LLM-based TTS [0.42970700836450487]
  TTSの言語モデルバックボーンの微調整は、音声の一貫性と信号対雑音比SNRを改善することを約束している。 話者の忠実度は全ての評価話者に対して改善され、声の類似性が一貫した増加を示す。 音響エネルギーと知覚品質のばらつきが高い話者は、DNS-MOS音声の類似性とSNRの同時向上を実現する。
  論文  参考訳（メタデータ） (2026-03-11T15:48:11Z)
• Deepfake Audio Detection Using Spectrogram-based Feature and Ensemble of Deep Learning Models [42.39774323584976]
  本稿では,ディープフェイク音声検出作業のためのディープラーニングベースシステムを提案する。 特に、ドロー入力オーディオは、まず様々なスペクトログラムに変換される。 我々は、Whisper、Seamless、Speechbrain、Pyannoteといった最先端のオーディオ事前訓練モデルを利用して、オーディオ埋め込みを抽出する。
  論文  参考訳（メタデータ） (2024-07-01T20:10:43Z)
• Phonetic Error Analysis of Raw Waveform Acoustic Models with Parametric and Non-Parametric CNNs [31.79120931183611]
  TIMITの音声認識タスクにおける生波形音響モデルの誤りパターンを解析する。 Affricate, diphthong, fricative, nasal, plosive, semi-vowel, vowel, quietの3つのグループに分類する。 置換誤差を用いて各カテゴリの混乱行列を構築し,その混乱パターンをフィルタバンクとWav2vec 2.0システムと比較する。
  論文  参考訳（メタデータ） (2024-06-02T23:39:15Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Towards Robust FastSpeech 2 by Modelling Residual Multimodality [4.4904382374090765]
  FastSpeech 2に基づく最先端の非自己回帰型音声合成モデルは、高忠実度と自然な音声を効率的に合成することができる。 表現型音声データセットにおける特徴的音声歪みを観察する。 TVC-GMMはスペクトログラムの滑らかさを低減し、特に表現的データセットの知覚音質を改善する。
  論文  参考訳（メタデータ） (2023-06-02T11:03:26Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Amortized Noisy Channel Neural Machine Translation [53.48804610779759]
  ノイズチャネルモデルは神経機械翻訳(NMT)に特に有効である 我々は,BSRで生成された翻訳と同じ報酬を最大化する翻訳を生成するような,アモータイズされたノイズチャネルNMTモデルを構築することを目指している。
  論文  参考訳（メタデータ） (2021-12-16T07:10:02Z)
• Bayesian Transformer Language Models for Speech Recognition [59.235405107295655]
  トランスフォーマーで表現される最先端のニューラルネットワークモデル(LM)は非常に複雑である。 本稿では,トランスフォーマーLM推定のためのベイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-09T10:55:27Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)
• Fully Learnable Front-End for Multi-Channel Acoustic Modeling using Semi-Supervised Learning [20.97480659815297]
  遠距離場自動音声認識のための完全学習可能なマルチチャネル音響モデルを訓練する。 学生は多チャンネル特徴抽出層と上位分類層を共同で訓練した。 ビームフォーマを用いたマルチチャネルモデルと比較して,事前学習により単語誤り率が10.7%向上することがわかった。
  論文  参考訳（メタデータ） (2020-02-01T02:06:05Z)

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。