論文の概要: Evaluating Bias in Phoneme-Based Automatic Speech Recognition Systems: An Analysis of IPA Transcription Models
- arxiv url: http://arxiv.org/abs/2606.11639v1
- Date: Wed, 10 Jun 2026 04:00:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.283354
- Title: Evaluating Bias in Phoneme-Based Automatic Speech Recognition Systems: An Analysis of IPA Transcription Models
- Title（参考訳）: 音素自動音声認識システムにおけるバイアス評価:IPA転写モデルの解析
- Authors: Catherine Bao, Maneesha Rani Saha, Neal Patwari,
- Abstract要約: 我々は,現在最先端のオープンソースASRシステムであるWhisperIPAとZIPAの性能を評価する。
分析では、性別、アクセント、民族性、年齢など、言語や人口集団でパフォーマンスがどのように変化するかを検討した。
- 参考スコア（独自算出の注目度）: 2.857724571923244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The popularization of automatic speech recognition (ASR) systems has increased exploration of the demographic biases related to race, age, gender, and accent, often formed from imbalanced training data. Most of these studies focused on standard grapheme-based ASR systems with comparatively little emphasis on phoneme-based systems, such as models that produce International Phonetic Alphabet (IPA) representations. As ASR systems shift toward multilingual support and low-resource language modeling, IPA-based layers serve as a critical, language-agnostic foundation. In this study, we evaluate the performance of two state-of-the-art open-source ASR systems, WhisperIPA and ZIPA, that generate IPA transcriptions across diverse accents and language sources. Our evaluation includes existing multilingual speech corpora and demographically annotated English-language corpora. We measure model performance by comparing model-generated IPA transcriptions against grapheme-to-phoneme (G2P) systems using both standard phoneme error rate (PER) and a proposed Soft PER metric that tolerates linguistically similar phoneme substitutions. Our analysis examines how performance varies across languages and demographic groups such as gender, accent, ethnicity, and age, revealing persistent disparities even after accounting for acceptable phonemic variation. These findings provide insight into potential sources of bias and inform the development of more inclusive and linguistically robust phoneme-based ASR systems. Our code and data will be made publicly available to the community.
- Abstract（参考訳）: 自動音声認識(ASR)システムの普及により、人種、年齢、性別、アクセントに関連する人口統計バイアスの探索が増加し、不均衡なトレーニングデータからしばしば形成される。
これらの研究の多くは、国際音声Alphabet(IPA)表現を生成するモデルなど、比較的音素ベースのシステムに重点を置いている標準グラフベースのASRシステムに焦点を当てた。
ASRシステムが多言語サポートや低リソース言語モデリングへと移行するにつれて、IPAベースのレイヤは言語に依存しない重要な基盤として機能する。
本研究では,様々なアクセントや言語ソースにまたがるIPA転写を生成する,最先端のオープンソースASRシステムであるWhisperIPAとZIPAの性能評価を行った。
本評価は,既存の多言語音声コーパスと,人口統計学的に注釈付けされた英語コーパスを含む。
本稿では,標準音素誤り率(PER)と言語的に類似した音素置換を許容するSoft PER指標を用いて,モデル生成IPA転写とG2P(Grapheme-to-phoneme)システムを比較してモデル性能を測定する。
分析では, 性別, アクセント, 民族, 年齢など, 言語・人口集団間でパフォーマンスが変動し, 許容音韻変動を考慮した場合においても, 持続的な相違が明らかとなった。
これらの知見は、バイアスの潜在的な源についての洞察を与え、より包括的で言語的に堅牢な音素ベースのASRシステムの開発を知らせる。
私たちのコードとデータは、コミュニティに公開されます。
関連論文リスト
- 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) - A Sociophonetic Analysis of Racial Bias in Commercial ASR Systems Using the Pacific Northwest English Corpus [6.361208877327219]
本稿では,4大商用自動音声認識(ASR)システムにおける人種バイアスの体系的評価について述べる。
我々は,4つの民族的背景(アフリカ系アメリカ人,コーカサス系アメリカ人,チカンX,ヤカマ)から話者間での転写精度を分析し,社会音の変動がシステム性能に与える影響について検討した。
論文 参考訳（メタデータ） (2025-10-26T02:19:40Z) - Accent-Invariant Automatic Speech Recognition via Saliency-Driven Spectrogram Masking [1.108292291257035]
本稿ではアクセントと方言の分類を認識パイプラインに統合するアクセント不変のASRフレームワークを提案する。
我々のアプローチは、アクセント固有の手がかりを捉え、その予測に最も影響を及ぼす領域をマスキングするためにスペクトログラムベースの分類器を訓練し、データ拡張にマスク付きスペクトログラムを使用することである。
ペルシャ語では、複数の地域アクセントにまたがる新たに収集されたデータセットを導入し、ペルシャ語ASRにおけるアクセント変動のシステマティックなベンチマークを確立した。
論文 参考訳（メタデータ） (2025-10-10T16:41:53Z) - An Initial Investigation of Language Adaptation for TTS Systems under Low-resource Scenarios [76.11409260727459]
本稿では,最近のSSLベースの多言語TSシステムであるZMM-TTSの言語適応性について検討する。
本研究では,事前学習言語と対象言語との音声学的な類似性が,対象言語の適応性能に影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2024-06-13T08:16:52Z) - The Balancing Act: Unmasking and Alleviating ASR Biases in Portuguese [5.308321515594125]
本研究は,Whisper および MMS システムの総合的な探索を目的としたものである。
調査対象は性別,年齢,肌の色,位置情報など多岐にわたる。
オーバーサンプリング技術がこのようなステレオタイプバイアスを軽減することを実証的に示す。
論文 参考訳（メタデータ） (2024-02-12T09:35:13Z) - Language-universal phonetic encoder for low-resource speech recognition [28.21805271848413]
我々は、低リソースのASR性能を改善するために、International Phonetic Alphabet (IPA) ベースの言語ユニバーサル音声モデルを活用する。
我々のアプローチと適応は、ドメインや言語ミスマッチしたシナリオであっても、極端に低リソースな言語に有効です。
論文 参考訳（メタデータ） (2023-05-19T10:24:30Z) - Investigating the Sensitivity of Automatic Speech Recognition Systems to
Phonetic Variation in L2 Englishes [3.198144010381572]
この研究は、複数のL2英語で音声変化を処理する方法を見つけるために、ASRシステムを探索する方法を実証する。
ASRの振る舞いは、類似した話し言葉を持つ話者間で体系的かつ一貫性があることが示されている。
論文 参考訳（メタデータ） (2023-05-12T11:29:13Z) - Discovering Phonetic Inventories with Crosslingual Automatic Speech
Recognition [71.49308685090324]
本稿では,未知言語における音声認識における異なる要因(モデルアーキテクチャ,音韻モデル,音声表現の種類)の影響について検討する。
独特な音、類似した音、トーン言語は、音声による在庫発見の大きな課題である。
論文 参考訳（メタデータ） (2022-01-26T22:12:55Z) - Acoustics Based Intent Recognition Using Discovered Phonetic Units for
Low Resource Languages [51.0542215642794]
本稿では,検出された音素単位を意図分類に用いる新しい音響に基づく意図認識システムを提案する。
我々は,2つの言語群 – インディカル言語とロマンス言語 – に対する2つの異なる意図認識タスクの結果を提示する。
論文 参考訳（メタデータ） (2020-11-07T00:35:31Z) - That Sounds Familiar: an Analysis of Phonetic Representations Transfer
Across Languages [72.9927937955371]
我々は、他言語に存在するリソースを用いて、多言語自動音声認識モデルを訓練する。
我々は,多言語設定における全言語間での大幅な改善と,多言語設定におけるスターク劣化を観察した。
分析の結果、ひとつの言語に固有の電話でさえ、他の言語からのトレーニングデータを追加することで大きなメリットがあることがわかった。
論文 参考訳（メタデータ） (2020-05-16T22:28:09Z)
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。