論文の概要: wav2VOT: Automatic estimation of voice onset time, closure duration, and burst realisation with wav2vec2
- arxiv url: http://arxiv.org/abs/2606.28857v1
- Date: Sat, 27 Jun 2026 10:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.718028
- Title: wav2VOT: Automatic estimation of voice onset time, closure duration, and burst realisation with wav2vec2
- Title(参考訳): wav2VOT:wav2vec2による音声開始時間、閉鎖時間、バースト実現の自動推定
- Abstract要約: 本稿では,wav2vec2を用いた音声開始時間,閉鎖時間,バースト実現の自動推定ツールであるwav2VOTを紹介する。
wav2VOT予測の解析は,音節の発声と音節の位置を横断する高い忠実度を示す。
- 参考スコア(独自算出の注目度): 2.6953809058421947
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While automatic tools for speech annotation are now commonplace within phonetic research pipelines, many tasks require substantial manual correction or training sets to perform accurately. Simultaneously, large speech models such as wav2vec2 have been shown to perform well at speech classification tasks, raising the question of how these models may be applied to phonetic annotation tasks. We introduce wav2VOT: a tool for the automatic estimation of voice onset time, closure duration, and burst realisation using wav2vec2. We demonstrate that wav2VOT performs comparably with current approaches on unseen datasets, and can estimate with high accuracy with fine-tuning. Analysis of wav2VOT predictions demonstrate high fidelity across stop voicing and place of articulation. These results demonstrate that large speech models are capable of producing accurate annotations, and further motivate exploration of large speech models as tools in phonetic research pipelines.
- Abstract(参考訳): 音声のアノテーションのための自動ツールは現在、音声研究パイプラインの中で一般的になっているが、多くのタスクは正確な手動修正や訓練セットを必要としている。
同時に、wav2vec2のような大きな音声モデルは、音声分類タスクでうまく機能することが示され、これらのモデルが音声アノテーションタスクにどのように適用されるかという疑問が提起されている。
本稿では,wav2vec2を用いた音声開始時間,閉鎖時間,バースト実現の自動推定ツールであるwav2VOTを紹介する。
我々は、wav2VOTが現在の未確認データセットのアプローチと互換性があり、微調整で高精度に推定できることを実証した。
wav2VOT予測の解析は,音節の発声と音節の位置を横断する高い忠実度を示す。
これらの結果から,大規模音声モデルは正確なアノテーションを生成でき,さらに音声研究パイプラインにおけるツールとしての大規模音声モデルの探索を動機付けていることが明らかとなった。
関連論文リスト
- In-Sync: Adaptation of Speech Aware Large Language Models for ASR with Word Level Timestamp Predictions [51.236148875603185]
我々は既存の音声認識言語モデルを拡張して、文字起こしと直接タイムスタンプを予測する。
認識品質を維持しつつアライメントの堅牢性を向上する,新しい軽量なトレーニング戦略を導入する。
論文 参考訳(メタデータ) (2026-04-14T20:56:24Z) - Automatic classification of stop realisation with wav2vec2.0 [0.24466725954625887]
wav2vec2.0モデルは英語と日本語の両方で高い精度でバースト存在を自動的に分類する訓練が可能であることを示す。
その結果,音声コーパスデータの自動アノテーションおよび処理ツールとして,事前学習音声モデルの可能性を実証した。
論文 参考訳(メタデータ) (2025-05-29T17:25:35Z) - Towards Robust Overlapping Speech Detection: A Speaker-Aware Progressive Approach Using WavLM [53.17360668423001]
重なり合う音声検出(OSD)は、会話中に複数の話者が重複する領域を特定することを目的としている。
本研究では,サブタスク間の相関性を高めるために,プログレッシブトレーニング戦略を活用する話者対応プログレッシブOSDモデルを提案する。
実験の結果,提案手法は,AMIテストセット上でF1スコアが82.76%の最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2025-05-29T07:47:48Z) - Automatic Proficiency Assessment in L2 English Learners [51.652753736780205]
英語の第二言語習熟度(L2)は通常、英語の教師や専門家の評価者によって知覚的に評価される。
本稿では, 音声信号と対応文字の双方に対処し, 総合的なL2習熟度評価のための深層学習手法について検討する。
論文 参考訳(メタデータ) (2025-05-05T12:36:03Z) - Normalization through Fine-tuning: Understanding Wav2vec 2.0 Embeddings for Phonetic Analysis [32.14451400240806]
本研究では,トランスモデル,特にwav2vec 2.0における正規化過程について検討した。
We found that fine-tuning wav2vec 2.0 is effective to be speechtic normalization by selectively suppressing task-rerelevant information。
これらの知見は, 音声モデルにおいて音素正規化が柔軟に達成されるか, 人間の音声知覚においてどのように実現されるのか, 新たな知見を提供する。
論文 参考訳(メタデータ) (2025-03-04T15:28:10Z) - AV-data2vec: Self-supervised Learning of Audio-Visual Speech
Representations with Contextualized Target Representations [88.30635799280923]
AV-data2vecを導入し、文脈化表現の予測に基づいて音声・視覚表現を構築する。
LRS3の結果は、AV-data2vecが、同じ量のデータとモデルサイズで既存のメソッドを一貫して上回っていることを示している。
論文 参考訳(メタデータ) (2023-02-10T02:55:52Z) - Analyzing Robustness of End-to-End Neural Models for Automatic Speech
Recognition [11.489161072526677]
音声認識のための事前学習ニューラルネットワークのロバスト性について検討する。
本研究では,LibriSpeechおよびTIMITデータセット上で,事前学習したニューラルネットワークwav2vec2, HuBERT, DistilHuBERTのロバスト性解析を行う。
論文 参考訳(メタデータ) (2022-08-17T20:00:54Z) - WavThruVec: Latent speech representation as intermediate features for
neural speech synthesis [1.1470070927586016]
WavThruVecは、高次元のWav2Vec 2.0埋め込みを中間音声表現として使用することでボトルネックを解決する2段階アーキテクチャである。
提案モデルは,最先端のニューラルモデルの品質に適合するだけでなく,音声変換やゼロショット合成といったタスクを可能にする有用な特性も提示する。
論文 参考訳(メタデータ) (2022-03-31T10:21:08Z) - Voice2Series: Reprogramming Acoustic Models for Time Series
Classification [65.94154001167608]
Voice2Seriesは、時系列分類のための音響モデルをプログラムする新しいエンドツーエンドアプローチである。
V2Sは20のタスクで性能が優れるか、最先端のメソッドと結びついているかを示し、平均精度を1.84%向上させる。
論文 参考訳(メタデータ) (2021-06-17T07:59:15Z) - On Scaling Contrastive Representations for Low-Resource Speech
Recognition [12.447872366013224]
計算要求のwav2vec 2.0フレームワークから,固定表現に対して最先端の音声認識器を訓練する。
極端に低リソース環境では、wav2vec 2.0は前者よりも劣っている。
論文 参考訳(メタデータ) (2021-02-01T13:58:02Z) - Any-to-One Sequence-to-Sequence Voice Conversion using Self-Supervised
Discrete Speech Representations [49.55361944105796]
シーケンス・ツー・シーケンス・フレームワークにおいて,任意のA2O音声変換(VC)に対して新しいアプローチを提案する。
A2O VCは、トレーニング中に目に見えないものを含むあらゆる話者を、固定されたターゲットスピーカーに変換することを目指している。
論文 参考訳(メタデータ) (2020-10-23T08:34:52Z)
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。