論文の概要: Improving Code-Switching ASR with Code-Mixing Guided Synthetic Speech

• arxiv url: http://arxiv.org/abs/2606.19381v1
• Date: Sun, 14 Jun 2026 07:56:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.425501
• Title: Improving Code-Switching ASR with Code-Mixing Guided Synthetic Speech
• Title（参考訳）: コードミキシング誘導合成音声によるコードスイッチングASRの改善
• Abstract要約: 本稿では,コードスイッチングの精度向上に向けて,合成音声生成を推し進めるコードミキシング指導型嗜好学習フレームワークを提案する。 SeAME Mandarin- English conversational corpusの実験により,ASR微調整のための合成データの有用性が向上することが実証された。
• 参考スコア（独自算出の注目度）: 37.15980892511798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code-switch (CS) Automatic Speech Recognition (ASR) remains challenging due to limited availability of high quality CS text-speech pairs for training. Although synthetic data augmentation via Text-to-speech (TTS) has been explored, existing CS TTS approaches primarily optimise reconstruction fidelity and do not explicitly enforce language-boundary consistency, thereby limiting their effectiveness for CS ASR augmentation. This paper proposes a code-mixing guided preference-learning framework that steers synthetic speech generation toward improved code-switching fidelity using the Code Mixing Index (CMI). Experiments on the SEAME Mandarin-English conversational corpus demonstrate that the proposed method enhances the utility of synthetic data for ASR fine-tuning. Specifically, when fine-tuning Whisper Large, the proposed approach reduces Mixed Error Rate (MER) from 12.1%/17.8% to 8.9%/14.2% on the DevMAN and DevSGE sets, respectively.
• Abstract（参考訳）: Code-switch (CS) Automatic Speech Recognition (ASR) は、高品質なCSテキスト音声ペアを訓練用に限定的に利用できるため、依然として困難である。 Text-to-Speech (TTS) による合成データ拡張が検討されているが、既存のCS TTSアプローチは主に再構築の忠実度を最適化し、言語境界一貫性を明示的に強制しないため、CS ASR拡張の有効性を制限している。 本稿では、コードミキシング指標(CMI)を用いて、合成音声生成を改良されたコードスイッチング忠実度に向けて制御するコードミキシング指導型嗜好学習フレームワークを提案する。 SeAME Mandarin- English conversational corpusの実験により,ASR微調整のための合成データの有用性が向上することが実証された。 具体的には、微調整されたWhisper Largeでは、DevMANとDevSGEのセットで混合エラーレート(MER)を12.1%/17.8%から8.9%/14.2%に削減する。

関連論文リスト

• Hierarchical Policy Optimization for Simultaneous Translation of Unbounded Speech [50.45710815530982]
  同時音声翻訳(SST)は、部分的な音声入力を受けながら翻訳を生成する。 近年の進歩により、大規模言語モデル(LLM)はSSTの品質を大幅に向上するが、高い計算オーバーヘッドのコストがかかる。 本稿では,不完全なSFTデータに基づいて列車後モデルを訓練する階層的ポリシー最適化(HPO)手法を提案する。 英語と中国語/ドイツ語/日本語の実験では、+7 COMETスコアと+1.25 MetricXスコアが1.5秒で改善された。
  論文  参考訳（メタデータ） (2026-04-22T19:43:51Z)
• Improving Code-Switching Speech Recognition with TTS Data Augmentation [58.34842693152991]
  本稿では,この不足に対処する効果的なデータ拡張手法として,多言語テキスト音声(TTS)モデルについて検討する。 我々は、SEAMEデータセット上の多言語CosyVoice2 TTSモデルを微調整し、中国語と英語の合成音声を生成する。
  論文  参考訳（メタデータ） (2026-01-02T10:11:51Z)
• Can we train ASR systems on Code-switch without real code-switch data? Case study for Singapore's languages [3.263178944046948]
  Code-Switching (CS) は、ASRの難易度とコストのかかる書き起こしデータによる課題を提示する。 本研究では,自然パターンを模倣した合成CSデータを生成するためのフレーズレベルの混合手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T04:37:16Z)
• A Self-Refining Framework for Enhancing ASR Using TTS-Synthesized Data [46.73430446242378]
  本稿では,ラベルのないデータセットのみを用いて,ASR性能を向上させる自己精錬フレームワークを提案する。 台湾語マンダリン音声における枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2025-06-10T17:30:32Z)
• Speech collage: code-switched audio generation by collaging monolingual corpora [50.356820349870986]
  Speech Collage は音声セグメントをスプライシングすることでモノリンガルコーパスからCSデータを合成する手法である。 2つのシナリオにおける音声認識における生成データの影響について検討する。
  論文  参考訳（メタデータ） (2023-09-27T14:17:53Z)
• Gated Recurrent Fusion with Joint Training Framework for Robust End-to-End Speech Recognition [64.9317368575585]
  本稿では,ロバスト・エンド・ツー・エンドASRのためのジョイント・トレーニング・フレームワークを用いたゲート・リカレント・フュージョン(GRF)法を提案する。 GRFアルゴリズムはノイズと拡張された特徴を動的に組み合わせるために使用される。 提案手法は従来の関節強化・変圧器法に比べて10.04%の相対的文字誤り率(CER)低減を実現する。
  論文  参考訳（メタデータ） (2020-11-09T08:52:05Z)
• Improving Low Resource Code-switched ASR using Augmented Code-switched TTS [29.30430160611224]
  近年,コードスイッチによる音声認識システムの構築が注目されている。 エンドツーエンドシステムは大量のラベル付き音声を必要とする。 絶対単語誤り率(WER)を最大5%まで低下させるASR性能の大幅な改善を報告した。
  論文  参考訳（メタデータ） (2020-10-12T09:15:12Z)

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。