論文の概要: CN-NewsTTS Bench: a target-level automatic benchmark for raw-input Chinese news TTS pronunciation

• arxiv url: http://arxiv.org/abs/2606.24714v1
• Date: Tue, 23 Jun 2026 15:34:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.04032
• Title: CN-NewsTTS Bench: a target-level automatic benchmark for raw-input Chinese news TTS pronunciation
• Title（参考訳）: CN-NewsTTS Bench: 生入力中国語ニュースTTS発音のためのターゲットレベル自動ベンチマーク
• Authors: Shijun Luo,
• Abstract要約: 中国語のニューステキストには、スコア、ハイフン付きモデル名、単位記号、パーセンテージ、英語の略語、混成中国語のデジタル名などの密集した書体が含まれている。 これらの形式はリアルタイムリスニングにおいて頻繁に使用され、テキスト音声(TTS)システムは、音声の意味を変更しながら文字を保存できる。 CN-TTS Bench v0.1は、中国のニュースTTS製品がそのようなターゲットを正しく発音するかどうかを評価するためのオープンターゲットレベルベンチマークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chinese news text contains dense written forms such as scores, hyphenated model names, ranges, unit symbols, percentages, English abbreviations, and mixed Chinese-Latin-digit names. These forms are frequent in real listening workflows, and a text-to-speech (TTS) system can preserve the written string while changing the spoken meaning. We introduce CN-NewsTTS Bench v0.1, an open target-level benchmark for evaluating whether Chinese news TTS products pronounce such targets correctly from raw text, without user-side rules, LLM rewriting, SSML hints, or manual edits. The release contains a 200-record development set, an 800-record public test set, 992 public auto-evaluable targets, fixed transcripts from a three-ASR ensemble, an automatic target scorer, and initial results for seven product TTS systems. We additionally report ASR-route diagnostics, ASR-subset ablations, category-level results, confidence intervals, and provider configuration metadata. The best system reaches 0.879 strict accuracy, while several systems remain below 0.60.
• Abstract（参考訳）: 中国語のニューステキストには、スコア、ハイフン付きモデル名、範囲、単位記号、パーセンテージ、英語の略語、混成中国語とラテン文字の名前などの密集した書体が含まれている。 これらの形式は、実際のリスニングワークフローにおいて頻繁に使用され、テキスト音声(TTS)システムは、話し言葉の意味を変更しながら文字を保存できる。 CN-NewsTTS Bench v0.1は,中国のニュースTTS製品が,ユーザ側のルールやLSM書き換え,SSMLヒント,手作業による編集を伴わずに,これらのターゲットを原文から正しく発音するかどうかを評価するオープンターゲットレベルベンチマークである。 このリリースには、200レコードの開発セット、800レコードの公開テストセット、992の公開自動評価可能なターゲット、3つのASRアンサンブルからの固定された書き起こし、自動ターゲットスコアラ、および7つの製品TSシステムの初期結果が含まれている。 また、ASR-route診断、ASR-subset Ablation、カテゴリレベルの結果、信頼区間、プロバイダ構成メタデータについても報告する。 最高のシステムは0.879の精度に達し、いくつかのシステムは0.60以下である。

関連論文リスト

• SN-WER: Script-Normalized WER for Multi-Script Indic ASR Evaluation [0.8243795440723053]
  Script-Normalized WER (SN-WER) は、トレーニングフリーで評価のみのスコアリング手法である。 SN-WERを5つのIndic言語、2つのデータセット、3つのASRモデルで評価した。
  論文  参考訳（メタデータ） (2026-06-01T17:49:10Z)
• 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)
• Code-Switching Text Generation and Injection in Mandarin-English ASR [57.57570417273262]
  業界で広く使われているストリーミングモデルTransformer-Transducer(T-T)の性能向上のためのテキスト生成とインジェクションについて検討する。 まず、コードスイッチングテキストデータを生成し、テキスト-to-Speech(TTS)変換または暗黙的に音声とテキストの潜在空間を結び付けることによって、T-Tモデルに生成されたテキストを明示的に注入する戦略を提案する。 実際のマンダリン・イングリッシュ音声の1,800時間を含むデータセットを用いて訓練したT-Tモデルの実験結果から,生成したコードスイッチングテキストを注入する手法により,T-Tモデルの性能が著しく向上することが示された。
  論文  参考訳（メタデータ） (2023-03-20T09:13:27Z)
• Discrete Cross-Modal Alignment Enables Zero-Shot Speech Translation [71.35243644890537]
  エンドツーエンド音声翻訳(ST)は、中間転写を生成することなく、ソース言語音声を対象言語テキストに翻訳することを目的としている。 既存のゼロショット法は、音声とテキストの2つのモダリティを共有意味空間に合わせることに失敗する。 音声とテキストの両方のモダリティに適合する離散語彙空間を共用した離散的クロスモーダルアライメント(DCMA)法を提案する。
  論文  参考訳（メタデータ） (2022-10-18T03:06:47Z)
• Dict-TTS: Learning to Pronounce with Prior Dictionary Knowledge for Text-to-Speech [88.22544315633687]
  ポリホンの曖昧さは, 音声合成システムにおいて, 自然なテキストシーケンスから正確な発音知識を抽出することを目的としている。 オンラインウェブサイト辞書を用いた意味認識型テキスト音声合成モデルであるDict-TTSを提案する。 3つの言語による実験結果から,我々のモデルは発音精度においていくつかの強いベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-05T10:50:34Z)
• Dual-Decoder Transformer For end-to-end Mandarin Chinese Speech Recognition with Pinyin and Character [15.999657143705045]
  ピニインと文字・綴り体系としての性格はそれぞれ、中国語における相互の昇進である。 そこで本研究では,2次元デコーダ変換器を用いた新しい中国語ASRモデルを提案する。 AISHELL-1データセットのテストセットの結果は、言語モデルを持たない音声-ピニイン-文字-相互作用(S PCI)モデルがテストセット上で9.85%の文字誤り率(CER)を達成することを示している。
  論文  参考訳（メタデータ） (2022-01-26T07:59:03Z)

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。