論文の概要: SamaVaani: Auditing and Debiasing Multilingual Clinical ASR for Indian Languages

• arxiv url: http://arxiv.org/abs/2606.26901v1
• Date: Thu, 25 Jun 2026 11:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.258239
• Title: SamaVaani: Auditing and Debiasing Multilingual Clinical ASR for Indian Languages
• Title（参考訳）: SamaVaani:インドの言語に対する多言語臨床ASRの監査とデバイアス
• Abstract要約: 我々は、カナダ、ヒンディー語、インド英語を対象とする現実世界の精神科面接データに対して、自動音声認識(ASR)性能の体系的な監査を行う。 本研究の結果から,インド英語では競争力があるものの,地域言語では機能しないシステムが存在するため,モデルや言語間でのかなりの変動が明らかとなった。 SamaVaaniは、ASRのパフォーマンスを同時に改善し、人口集団間の公平性を向上する統合デバイアス手法である。
• 参考スコア（独自算出の注目度）: 4.7356929645399095
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automatic Speech Recognition (ASR) is increasingly used to document clinical encounters, yet its reliability in multilingual and demographically diverse Indian healthcare context remains largely unknown. In this study, we first conduct the systematic audit of ASR performance on real-world psychiatric interview data spanning Kannada, Hindi and Indian English, comparing eight state-of-the-art models including IndicWhisper, WhisperLargeV3, Sarvam, GoogleS2T, Gemma3n, OmniLingual, Vaani, and Gemini. Our results reveal substantial variability across models and languages, with some systems performing competitively in Indian English but failing in regional speech. We further fine-tune two of the best performing opensource models, i.e., Gemma3n and OmniLingual, using various methods. With this, we uncover systematic performance gaps tied to speaker role and gender, raising concerns about equitable deployment in clinical settings, which are further mitigated by fairness-aware fine-tuning. To this end, we propose SamaVaani, a unified debiasing technique that simultaneously improves ASR performance and improves fairness across demographic groups.
• Abstract（参考訳）: 自動音声認識(英語版) (ASR) は、臨床診断の文書化にますます使われているが、多言語および人口的多様性のあるインドの医療状況における信頼性はほとんど不明である。 IndicWhisper、WhisperLargeV3、Sarvam、GoogleS2T、Gemma3n、OmniLingual、Vaani、Geminiを含む8つの最先端モデルを比較して、実際の精神科面接データに対するASRパフォーマンスの体系的監査を行った。 本研究の結果から,インド英語では競争力があるものの,地域言語では機能しないシステムが存在するため,モデルや言語間でのかなりの変動が明らかとなった。 さらに、様々な手法を用いて、最高のオープンソースモデルであるGemma3nとOmniLingualの2つを微調整する。 これにより、話者の役割とジェンダーに関連する系統的なパフォーマンスギャップが明らかとなり、公平な微調整によってさらに軽減される臨床環境における公平な展開への懸念が高まった。 そこで本研究では,ASR性能を同時に向上し,人口集団間の公平性を向上する統合脱バイアス技術であるSamaVaaniを提案する。

関連論文リスト

• ASR Under the Stethoscope: Evaluating Biases in Clinical Speech Recognition across Indian Languages [3.3753770857559826]
  我々は,カナダ,ヒンディー語,インド英語にまたがる実世界臨床面接データに基づいて,ASRのパフォーマンスを初めて体系的に評価した。 Indic Whisper、Whisper、Sarvam、Google Speech to text、Gemma3n、Omnilingual、Vaani、Geminiといった主要なモデルを比較します。 結果は、モデルや言語間でのかなりの変動を示し、一部のシステムはインド英語で競争的に機能するが、混成言語や垂直言語では機能しない。
  論文  参考訳（メタデータ） (2025-11-30T06:37:40Z)
• Enhancing Multilingual ASR for Unseen Languages via Language Embedding Modeling [50.62091603179394]
  最も先進的なASRモデルの1つであるWhisperは99の言語を効果的に扱う。 しかし、ウィスパーは未確認の言語と戦っているが、それらは事前訓練には含まれていない。 本研究では,これらの関係を利用して未知言語上でのASR性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-12-21T04:05:43Z)
• LAHAJA: A Robust Multi-accent Benchmark for Evaluating Hindi ASR Systems [16.143694951047024]
  LAHAJAというベンチマークを作成し、様々なトピックやユースケースに関する読み書き音声を含む。 LAHAJAの既存のオープンソースおよび商用モデルを評価し,その性能が劣っていることを確認した。 異なるデータセットを使用してモデルをトレーニングし、優れた話者多様性を持つ多言語データに基づいてトレーニングしたモデルが、既存のモデルよりもかなりのマージンで優れていることを確認する。
  論文  参考訳（メタデータ） (2024-08-21T08:51:00Z)
• 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)
• Automatic Speech Recognition Advancements for Indigenous Languages of the Americas [0.0]
  The Second Americas (Americas Natural Language Processing) Competition Track 1 of NeurIPS (Neural Information Processing Systems) 2022年、Cechua、Guarani、Brbri、Kotiria、Wa'ikhanaの5つの先住民言語の自動音声認識システムの訓練タスクを提案した。 対象言語毎の最先端のASRモデルの微調整について,データ拡張法に富んだ多種多様な情報源からの音声データの約36.65時間を用いて述べる。 私たちは各言語で最高のモデルをリリースし、Wa'ikhanaとKotiriaの最初のオープンなASRモデルをマークしています。
  論文  参考訳（メタデータ） (2024-04-12T10:12:38Z)
• A Deep Dive into the Disparity of Word Error Rates Across Thousands of NPTEL MOOC Videos [4.809236881780707]
  英語のSsim9.8$Kの技術講義とインド・デモグラフィーの様々な部分を表すインストラクターによる書き起こしからなる8740時間の大規模音声データセットのキュレーションについて述べる。 私たちは、キュレートされたデータセットを使用して、インドの多様な話者の人口統計学的特徴にまたがる、YouTube Automatic CaptionsとOpenAI Whisperモデルのパフォーマンスの既存の格差を測定します。
  論文  参考訳（メタデータ） (2023-07-20T05:03:00Z)
• Model Adaptation for ASR in low-resource Indian Languages [28.02064068964355]
  近年,wav2vec2のような自己教師付き学習(SSL)ベースの音響モデルとWhisperのような大規模多言語学習によって,音声認識(ASR)の性能が大幅に向上している。 オーディオとテキストの両方の可用性が制限されている低リソース言語には、依然として大きな課題があります。 ここで多くの適応と微調整のテクニックが適用され、十分なリソースを持つ類似言語を利用することで、データの低リソースの性質を克服できるのです。 言語における音響データの豊富さによって、大きなテキストのみのコーパスの必要性が軽減される場合もあります。
  論文  参考訳（メタデータ） (2023-07-16T05:25:51Z)
• Adversarial Training For Low-Resource Disfluency Correction [50.51901599433536]
  ディフルエンシ補正(DC)のための逆学習型シーケンスタグ付けモデルを提案する。 提案手法の利点は,3つのインド語でDCに対して評価することで,合成された非流動データに大きく依存することを示す。 また,本手法は,音声障害によって導入されたASR文字の破面的不一致の除去にも有効である。
  論文  参考訳（メタデータ） (2023-06-10T08:58:53Z)
• An Overview of Indian Spoken Language Recognition from Machine Learning Perspective [7.27448284043116]
  この研究は、インドの言語認識研究分野の包括的なレビューを行う最初の試みの1つである。 インドにおけるLIDシステム開発における低リソース・相互影響の独特な課題を強調するために,インディース分析が提案されている。
  論文  参考訳（メタデータ） (2022-11-30T11:03:51Z)
• Intent Classification Using Pre-Trained Embeddings For Low Resource Languages [67.40810139354028]
  言語固有の音声認識に依存しない音声理解システムを構築することは、言語処理において重要でない問題である。 本稿では,事前学習した音響モデルを用いて,低資源シナリオにおける音声言語理解を実現するための比較研究を提案する。 私たちは、ハイ、ミディアム、低リソースシナリオをシミュレートするために、それぞれ異なるデータサイズを持つ英語、Sinhala、Tamilの3つの異なる言語で実験を行います。
  論文  参考訳（メタデータ） (2021-10-18T13:06:59Z)
• Multilingual and code-switching ASR challenges for low resource Indian languages [59.2906853285309]
  インドの7つの言語に関連する2つのサブタスクを通じて、多言語およびコードスイッチングASRシステムの構築に重点を置いている。 これらの言語では、列車とテストセットからなる600時間分の音声データを合計で提供します。 また,マルチリンガルサブタスクとコードスイッチサブタスクのテストセットでは,それぞれ30.73%と32.45%という,タスクのベースラインレシピも提供しています。
  論文  参考訳（メタデータ） (2021-04-01T03:37:01Z)
• NUVA: A Naming Utterance Verifier for Aphasia Treatment [49.114436579008476]
  失語症(PWA)患者の治療介入に対する反応の診断とモニタリングの両立のための画像命名タスクを用いた音声性能評価 本稿では,失語症脳卒中患者の「正しい」と「正しくない」を分類する深層学習要素を組み込んだ発話検証システムであるNUVAについて述べる。 イギリス系英語8ヶ国語でのテストでは、システムの性能精度は83.6%から93.6%の範囲であり、10倍のクロスバリデーション平均は89.5%であった。
  論文  参考訳（メタデータ） (2021-02-10T13:00:29Z)

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。