論文の概要: VieSpeaker: A Large-Scale Vietnamese Speaker Recognition Dataset Beyond Visual Dependency

• arxiv url: http://arxiv.org/abs/2606.24066v1
• Date: Tue, 23 Jun 2026 02:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.732986
• Title: VieSpeaker: A Large-Scale Vietnamese Speaker Recognition Dataset Beyond Visual Dependency
• Title（参考訳）: VieSpeaker: ベトナムの大規模話者認識データセット
• Authors: Viet Hoang Pham, Tran Trung Nguyen, Bao Thu Ho, Phuong Tuan Dat, Thi Thu Trang Nguyen,
• Abstract要約: VieSpeakerはベトナムの大規模な話者認識データセットである。 顔に依存しないデータセット構築パイプラインを提案する。 VieSpeakerには4,715人の話者による約902時間のスピーチが含まれている。
• 参考スコア（独自算出の注目度）: 4.282220747080745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speaker recognition has advanced rapidly with large-scale training datasets, yet Vietnamese remains under-resourced, with existing corpora limited in scale and acoustic diversity. Most large-scale datasets rely on facial cues to link speech with speaker identities, restricting data collection to recordings where speakers appear on camera. We propose a face-independent dataset construction pipeline and introduce VieSpeaker, a large-scale Vietnamese speaker recognition dataset. Our approach leverages textual metadata and large language model reasoning to infer speaker identities from transcripts and contextual information. VieSpeaker contains approximately 902 hours of speech from 4,715 speakers. Experiments show that models trained on VieSpeaker achieve improved robustness and generalization compared to existing Vietnamese datasets. This work demonstrates the feasibility of face-independent dataset construction and provides a new direction for building large-scale speech resources.
• Abstract（参考訳）: 話者認識は大規模トレーニングデータセットで急速に進歩しているが、ベトナムは未資源のままであり、既存のコーパスは規模と音響の多様性に制限されている。 ほとんどの大規模データセットは、音声と話者のアイデンティティを結びつけるために顔の手がかりに依存しており、カメラにスピーカーが現れる記録にデータ収集を制限している。 本稿では,ベトナムの大規模話者認識データセットであるVieSpeakerを提案する。 提案手法は,テキストメタデータと大規模言語モデル推論を利用して,テキストや文脈情報から話者の身元を推定する。 VieSpeakerには4,715人の話者による約902時間のスピーチが含まれている。 実験により、ベトナムの既存のデータセットと比較して、VieSpeakerでトレーニングされたモデルはロバストネスと一般化が改善された。 本研究は、顔非依存のデータセット構築の実現可能性を示し、大規模音声リソース構築のための新たな方向性を提供する。

関連論文リスト

• Linguistically Augmented Audio Speech Data (LinguAS) [0.0]
  LinguASには、Expert-Defined Linguistic Features (EDLFs)で注釈付けされた800以上のオーディオサンプルが含まれている。 ASVspoof 2021のディープラーニングベースラインを超えて,EDLFを付加したデータに基づいてトレーニングしたモデルでは,モデル性能が大幅に向上していることがわかった。
  論文  参考訳（メタデータ） (2026-06-08T23:26:39Z)
• Identifying Speakers in Dialogue Transcripts: A Text-based Approach Using Pretrained Language Models [83.7506131809624]
  本稿では,デジタルメディアアーカイブにおけるコンテンツアクセシビリティと検索可能性を高める重要な課題である,対話テキスト中の話者名を識別する手法を提案する。 本稿では,メディアサムコーパスから派生した大規模データセットについて述べる。 本稿では,話者名を正確に属性付けるために,対話中の文脈的手がかりを活用する,話者IDに適したトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-16T18:03:58Z)
• Auto-ACD: A Large-scale Dataset for Audio-Language Representation Learning [50.28566759231076]
  高品質なキャプションを持つ音声データセットを構築するための,革新的で自動的なアプローチを提案する。 具体的には、150万以上のオーディオテキストペアからなる、大規模で高品質なオーディオ言語データセットをAuto-ACDとして構築する。 我々はLLMを用いて,抽出したマルチモーダルな手がかりによって導かれる,各音声の連接キャプションを言い換える。
  論文  参考訳（メタデータ） (2023-09-20T17:59:32Z)
• OLKAVS: An Open Large-Scale Korean Audio-Visual Speech Dataset [18.72529671770584]
  Open Large-scale Korean Audio-Visual Speech (OLKAVS)データセットは、一般に公開されている音声視覚音声データセットの中で最大である。 データセットには、韓国語話者1,107人による1,150時間の音声書き起こしが含まれており、9つの異なる視点と様々なノイズ状況がある。
  論文  参考訳（メタデータ） (2023-01-16T11:40:50Z)
• Automatic Speech Recognition Datasets in Cantonese Language: A Survey and a New Dataset [85.52036362232688]
  私たちのデータセットは、香港のCandoneseオーディオブックから収集された、73.6時間のクリーンな読み上げ音声と書き起こしとの組み合わせで構成されています。 哲学、政治、教育、文化、ライフスタイル、家族の領域を組み合わせて、幅広いトピックをカバーしている。 MDCC と Common Voice zh-HK にマルチデータセット学習を適用することで,強力で堅牢な Cantonese ASR モデルを作成する。
  論文  参考訳（メタデータ） (2022-01-07T12:09:15Z)
• NISP: A Multi-lingual Multi-accent Dataset for Speaker Profiling [36.04737781943248]
  そこで我々は,5つの異なる言語からの音声データと英語を用いた新しいデータセットを開発した。 また、言語情報、地域情報、話者の身体的特徴などの話者プロファイルアプリケーションのためのメタデータ情報も収集する。 我々はこのデータセットをNITK-IISc Multilingual Multi-accent Speaker Profiling (NISP) と呼ぶ。
  論文  参考訳（メタデータ） (2020-07-12T15:46:57Z)
• Audio ALBERT: A Lite BERT for Self-supervised Learning of Audio Representation [51.37980448183019]
  本稿では,自己教師型音声表現モデルの簡易版であるAudio ALBERTを提案する。 我々は、Audio ALBERTが、下流タスクにおいて、これらの巨大なモデルと競合する性能を達成することができることを示す。 探索実験において、潜在表現は、最後の層よりも音素と話者のリッチな情報をエンコードすることがわかった。
  論文  参考訳（メタデータ） (2020-05-18T10:42:44Z)

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。