論文の概要: Advancing Speaker-Based Vocal Effort Classification with WavLM and Data Augmentation in Naturalistic Non-Calibrated Speech Recordings

• arxiv url: http://arxiv.org/abs/2606.27543v1
• Date: Thu, 25 Jun 2026 20:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.31343
• Title: Advancing Speaker-Based Vocal Effort Classification with WavLM and Data Augmentation in Naturalistic Non-Calibrated Speech Recordings
• Title（参考訳）: 自然主義的非校正音声記録におけるWavLMとデータ拡張による話者ベース声道行動分類の強化
• Abstract要約: 発声作業分類において初めてWavLMを導入し,wav2vec2 と HuBERT に対してベンチマークを行った。 Augmentation は WavLM を継続的に改善し、+0.6% から+1.8% まで上昇した。 我々の最良システムは、緩やかな凍結、拡張、ガウス近傍のソフトラベルを持つWavLM-BASEであり、平均精度は78.2%である。
• 参考スコア（独自算出の注目度）: 28.280450577162622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The variations in vocal effort range (e.g. whisper, soft, neutral, loud, shout) alter production and speech acoustics, reducing intelligibility and limiting the robustness of any subsequent speech technology. Classification is challenging since effort lies on a continuum, adjacent categories are easily confused, and labeled data remain scarce. Prior SSL approaches with wav2vec2, HuBERT, and AST improve performance on the AVID corpus but still suffer from boundary errors. In this study, we introduce WavLM for the first time in vocal effort classification and benchmark it against wav2vec2 and HuBERT. To address data scarcity, we conduct a systematic study of augmentation strategies, covering RIR convolution, additive noise, time masking, speed perturbation, band-limiting, MixUp, and CutMix. Augmentation consistently improves WavLM, with gains ranging from +0.6% to +1.8% absolute. We further propose Gaussian-neighbor soft labels, which further reduce near-boundary confusions by modeling the vocal effort continuum. Our best system, WavLM-BASE with gradual unfreezing, augmentation, and Gaussian-neighbor soft labels, achieves 78.2% mean accuracy, establishing a new state-of-the-art on AVID.
• Abstract（参考訳）: 声の努力範囲(例えば、ささやき、柔らかい、中性、大声、大声、大声、大声、大声、大声、大声)の変化は、生産と音声を変化させ、インテリジェンスを低下させ、その後の音声技術の堅牢性を制限する。 努力は連続体にあり、隣接するカテゴリは容易に混乱し、ラベル付きデータが不足しているため、分類は困難である。 wav2vec2, HuBERT, AST による以前のSSLアプローチは、AVIDコーパスのパフォーマンスを改善したが、依然として境界エラーに悩まされている。 本研究では,WavLMを初めて発声作業分類に導入し,wav2vec2 と HuBERT と比較した。 データ不足に対処するために、RIR畳み込み、付加雑音、時間マスキング、速度摂動、帯域制限、MixUp、CutMixを含む拡張戦略の体系的研究を行う。 Augmentation は WavLM を継続的に改善し、+0.6% から+1.8% まで上昇した。 さらに,声道運動連続体をモデル化することにより,近辺の混同を低減できるガウス系ソフトラベルを提案する。 我々の最良システムであるWavLM-BASEは、段階的凍結、拡張、およびガウス近傍のソフトラベルを持ち、78.2%の平均精度を達成し、AVIDに新たな最先端技術を確立する。

関連論文リスト

• Semi-Supervised Sound Event Detection with Conditional Mixup and Embedding-Level Contrastive Loss [16.05394511743307]
  半教師付きフレームワークにおける合成混合と摂動混合を組み合わせた条件混合を提案し,それに対応する埋め込みレベルのコントラスト損失を定義する。 得られたモデルは、DESED検証セット上で0.645 PSDS1と0.822 PSDS2を達成し、新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2026-06-29T07:35:58Z)
• Audio-Conditioned Diffusion LLMs for ASR and Deliberation Processing [33.36615989947073]
  拡散型大言語モデルLLaDAを用いた音声認識(ASR)に関する実験的検討を行った。 ランダムマスキング,低信頼マスキング,半自己回帰戦略について検討し,Whisper-LLaDAがベースラインと比較してWERを大幅に低減することを示した。 ほとんどの実験的な構成はWhisper-LLaMAベースラインよりも高速な推論を実現するが、認識精度はわずかに低い。
  論文  参考訳（メタデータ） (2025-09-20T10:48:06Z)
• Robustifying Diffusion-Denoised Smoothing Against Covariate Shift [3.2010481260411834]
  本稿では,デノナイズ拡散モデルの付加雑音に着目した新しい対向目的関数を提案する。 本手法は,3つの標準分類ベンチマークにおいて,認証精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-09-13T17:27:37Z)
• Deep Active Speech Cancellation with Mamba-Masking Network [62.73250985838971]
  アクティブ音声キャンセラ(ASC)のための新しい深層学習ネットワークを提案する。 提案したMamba-Maskingアーキテクチャは、符号化された参照信号と直接対話するマスキング機構を導入する。 実験の結果、ANCシナリオでは7.2dB、ASCでは6.2dBの改善が達成された。
  論文  参考訳（メタデータ） (2025-02-03T09:22:26Z)
• Large Language Models are Efficient Learners of Noise-Robust Speech Recognition [65.95847272465124]
  大規模言語モデル(LLM)の最近の進歩は、自動音声認識(ASR)のための生成誤り訂正(GER)を促進している。 本研究では,このベンチマークをノイズの多い条件に拡張し,GERのデノナイジングをLLMに教えることができるかを検討する。 最新のLLM実験では,単語誤り率を最大53.9%改善し,新たなブレークスルーを実現している。
  論文  参考訳（メタデータ） (2024-01-19T01:29:27Z)
• DASA: Difficulty-Aware Semantic Augmentation for Speaker Verification [55.306583814017046]
  本稿では,話者認証のための難易度認識型セマンティック拡張(DASA)手法を提案する。 DASAは、話者埋め込み空間における多様なトレーニングサンプルを、無視できる余分な計算コストで生成する。 最も良い結果は、CN-Celeb評価セット上でのEER測定値の14.6%の相対的な減少を達成する。
  論文  参考訳（メタデータ） (2023-10-18T17:07:05Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Wav2vec-Switch: Contrastive Learning from Original-noisy Speech Pairs for Robust Speech Recognition [52.71604809100364]
  音声の文脈化表現に雑音のロバスト性をエンコードするwav2vec-Switchを提案する。 具体的には、オリジナルノイズの多い音声ペアを同時にwav2vec 2.0ネットワークに供給する。 既存のコントラスト学習タスクに加えて、原音声と雑音音声の量子化表現を追加の予測対象に切り替える。
  論文  参考訳（メタデータ） (2021-10-11T00:08:48Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)

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。