論文の概要: Automated Pronunciation Evaluation for Korean Toddler Speech using Speech Diarization and Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2606.10213v1
• Date: Mon, 08 Jun 2026 22:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.210773
• Title: Automated Pronunciation Evaluation for Korean Toddler Speech using Speech Diarization and Self-Supervised Learning
• Title（参考訳）: 音声ダイアリゼーションと自己教師付き学習を用いた韓国語トドラー音声の自動発音評価
• Authors: Diane Myung-kyung Woodbridge, Jee Hyun Suh,
• Abstract要約: 音声障害は韓国の小児コミュニケーション障害の約44%に影響を及ぼす。 本稿では,韓国の幼児音声の自動発音評価のためのエンドツーエンドパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech sound disorders affect approximately 44% of Korean pediatric communication disorder cases, yet automated assessment tools for Korean toddler speech remain underdeveloped. This paper presents an end-to-end pipeline for automated pronunciation evaluation of Korean toddler speech, combining neural speaker diarization with self-supervised speech representation learning. We introduce a novel IRB-approved corpus of 53 recordings from Korean-speaking children aged 2-5 years. A subset of 53 subjects was annotated by three independent reviewers, yielding 1,190 consonant and 748 vowel word-level binary correctness labels. We evaluate three diarization models, finding that NeMo SortFormer achieves 88.69% speaker count accuracy and 33.04% diarization error rate (DER) owing to its arrival-time-sorted transformer architecture, which handles the acoustic confound between young female caregivers exhibiting aegyo and toddler speech. For pronunciation scoring, we compare three self-supervised learning (SSL) backbones across multiple pooling strategies. A cross-model ensemble routing consonant prediction to HuBERT-large and vowel prediction to WavLM-large achieves balanced accuracies of 0.720 and 0.845, with a mean of 0.782.
• Abstract（参考訳）: 音声障害は韓国の小児コミュニケーション障害の約44%に影響を及ぼすが、韓国の幼児音声の自動評価ツールは未開発のままである。 本稿では,韓国の幼児音声の自動発音評価のためのエンドツーエンドパイプラインを提案する。 韓国語話者の2～5歳児を対象に,新しいIRB承認コーパスについて紹介した。 53名のサブセットは3人の独立したレビュアーによって注釈付けされ、1,190名の子音と748名の母音レベルの二項正当性ラベルが得られた。 そこで我々は,NeMo SortFormerの話者数精度88.69%,ダイアリゼーション誤り率33.04%の3つのダイアリゼーションモデルの評価を行った。 発音評価では、複数のプーリング戦略にまたがる3つの自己教師付き学習(SSL)バックボーンを比較した。 HuBERT-largeに対するクロスモデルアンサンブルルーティング子音予測と、WavLM-largeに対する母音予測は、平均0.782で0.720と0.845のバランスの取れた精度を達成する。

関連論文リスト

• Harf-Speech: A Clinically Aligned Framework for Arabic Phoneme-Level Speech Assessment [1.0898519359579681]
  Harf-Speechは、アラビア語の発音を臨床レベルで評価するモジュールシステムである。 Harf-Speech は Pearson の0.791 と ICC (2,1) の0.659 の相関値を得た。
  論文  参考訳（メタデータ） (2026-03-11T04:10:35Z)
• Who Said What? An Automated Approach to Analyzing Speech in Preschool Classrooms [0.4207829324073153]
  本稿では,ソフトウェアを用いて話者を分類し,発話の書き起こしを行う自動フレームワークを提案する。 筆者らは,110分間の授業記録において,本フレームワークと人間専門家の結果を比較した。 その結果, 子どもの言語発達を支援する授業音声の分析において, かなり進歩したことが示唆された。
  論文  参考訳（メタデータ） (2024-01-14T18:27:37Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
  調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。 本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。 生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• Experiments of ASR-based mispronunciation detection for children and adult English learners [7.083737676329174]
  非母国語話者の発音をチェックする誤発音評価システムを開発した。 本稿では,音声コーパスにおける非母語発音の評価について述べる。
  論文  参考訳（メタデータ） (2021-04-13T07:24:05Z)
• UniSpeech: Unified Speech Representation Learning with Labeled and Unlabeled Data [54.733889961024445]
  ラベル付きデータとラベル付きデータの両方を用いて音声表現を学習するためのUniSpeechという統合事前学習手法を提案する。 公立CommonVoiceコーパス上での言語間表現学習におけるUniSpeechの有効性を評価する。
  論文  参考訳（メタデータ） (2021-01-19T12:53:43Z)
• Continuous Speech Separation with Conformer [60.938212082732775]
  分離システムでは、リカレントニューラルネットワークの代わりにトランスとコンバータを用いる。 我々は,自己注意に基づく方法でグローバルな情報を取得することが,音声分離に不可欠であると信じている。
  論文  参考訳（メタデータ） (2020-08-13T09:36:05Z)
• 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)

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。