論文の概要: Adapting Foundation ASR Models to Dysarthric Speech: A Case Study

• arxiv url: http://arxiv.org/abs/2606.31722v1
• Date: Tue, 30 Jun 2026 14:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.266763
• Title: Adapting Foundation ASR Models to Dysarthric Speech: A Case Study
• Title（参考訳）: 変形性関節症に対する基礎的ASRモデルの適用例
• Abstract要約: 本稿では,基礎的ASRモデルを話者固有データに適用して構築した変形性スピーカーのためのパーソナライズされたASRシステムを提案する。 TEQSTツールを使用して92時間の読み上げ音声を収集し、その後、デプロイされたモバイルアプリケーションから収集された8.8時間のユーザ修正を加えました。
• 参考スコア（独自算出の注目度）: 56.38963587230989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic speech recognition (ASR) systems often perform poorly in dysarthric speech, limiting their usefulness to affected speakers in everyday communication. This paper presents a personalized ASR system for a dysarthric speaker, built by adapting a foundation ASR model to speaker-specific data. Using the TEQST tool, we collected 92 hours of read speech and later added 8.8 hours of user corrections gathered through a deployed mobile application. Starting from Whisper, fine-tuning reduced word error rate to 15.8% with only 1.4 hours of adaptation data, reached 10.7% with 22.5 hours, and achieved the best result of 9.7% when using all available data including the corrections. Using LoRA adaptation and/or Qwen3-ASR as foundation model performed worse in this setting. The results show that personalized fine-tuning can make foundation ASR models substantially more effective for dysarthric speech and suitable for practical deployment.
• Abstract（参考訳）: 自動音声認識 (ASR) システムは, 日常的なコミュニケーションにおいて, 障害のある話者にその有用性を限定して, 難聴者音声認識システムとして機能することが多い。 本稿では,基礎的ASRモデルを話者固有のデータに適応させることにより構築した,変形性難聴者のためのパーソナライズされたASRシステムを提案する。 TEQSTツールを使用して92時間の読み上げ音声を収集し、その後、デプロイされたモバイルアプリケーションから収集された8.8時間のユーザ修正を加えました。 ウィスパーから始まり、微調整による単語誤り率をわずか1.4時間で15.8%に減らし、わずか22.5時間で10.7%に達し、修正を含むすべての利用可能なデータを使用する場合の最高率は9.7%に達した。 LoRA適応および/またはQwen3-ASRを基礎モデルとして用いると、この設定ではさらに悪化した。 以上の結果から, パーソナライズされた微調整により, ASR モデルが変形性音声に対して有意に有効になり, 実用化に適していることが示唆された。

関連論文リスト

• Towards Pretraining Robust ASR Foundation Model with Acoustic-Aware Data Augmentation [18.678742816040856]
  自動音声認識(ASR)におけるウィスパーの頑健な性能は、しばしば680khのトレーニングセットによるものである。 訓練データにおける言語的および音響的多様性がASRモデルの堅牢性に与える影響について検討する。 ASRモデルの一般化能力を大幅に向上させることが期待できる。
  論文  参考訳（メタデータ） (2025-05-27T00:55:32Z)
• Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO [0.13108652488669734]
  脳性麻痺 (CP) と筋萎縮性側索硬化症 (ALS) の患者は, 関節症に悩まされ, 変形性関節症, 非典型的発声パターンを呈する。 我々は、Whisper や Wav2vec2.0 のような最先端の音声認識(SOTA)技術が、訓練データがないために非定型話者を疎外することがわかった。 我々の研究は、SOTA ASRとドメイン固有のエラー訂正を活用することを目指している。
  論文  参考訳（メタデータ） (2024-11-01T19:11:54Z)
• Homogeneous Speaker Features for On-the-Fly Dysarthric and Elderly Speaker Adaptation [71.31331402404662]
  本稿では, 変形性関節症と高齢者の話者レベルの特徴を学習するための2つの新しいデータ効率手法を提案する。 話者規則化スペクトルベース埋め込み-SBE特徴は、特別な正規化項を利用して適応における話者特徴の均一性を強制する。 テスト時間適応において、話者レベルのデータ量に敏感であることが示されるVR-LH機能に規定されている特徴ベースの学習隠れユニットコントリビューション(f-LHUC)。
  論文  参考訳（メタデータ） (2024-07-08T18:20:24Z)
• Self-supervised ASR Models and Features For Dysarthric and Elderly Speech Recognition [71.87998918300806]
  本稿では,TDNNとConformer ASRシステムにSSLプリトレーニングモデルとその機能を統合するアプローチについて検討する。 ドメイン適応型HuBERT、wav2vec2-conformer、マルチ言語型XLSRモデルを統合することで構築されたTDNNシステムは、スタンドアロンの微調整型SSL事前訓練モデルより一貫して優れている。 DementiaBank Pitt の高齢者音声認識出力を用いて,アルツハイマー病の検出精度の向上も行った。
  論文  参考訳（メタデータ） (2024-07-03T08:33:39Z)
• Convoifilter: A case study of doing cocktail party speech recognition [59.80042864360884]
  このモデルは、このアプローチにより、ASRの単語誤り率(WER)を80%から26.4%に下げることができる。 我々はオープンに事前学習モデルを共有し、hf.co/nguyenvulebinh/voice-filterのさらなる研究を促進する。
  論文  参考訳（メタデータ） (2023-08-22T12:09:30Z)
• Arabic Dysarthric Speech Recognition Using Adversarial and Signal-Based Augmentation [4.874780144224057]
  本研究の目的は,多段階拡張アプローチによるアラビア語義歯の自動音声認識の性能向上である。 そこで本研究ではまず,健常なアラビア語から変形性アラビア語を生成するための信号に基づくアプローチを提案する。 また,2段階のPWG(Parallel Wave Generative)逆解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-07T12:01:46Z)
• Personalized Adversarial Data Augmentation for Dysarthric and Elderly Speech Recognition [30.885165674448352]
  本稿では,高齢者および変形性音声認識のための新しい話者依存型(GAN)に基づくデータ拡張手法を提案する。 GANベースのデータ拡張アプローチは、ベースライン速度摂動法を最大0.91%、絶対値3.0%で一貫して上回っている。 LHUCベースの話者適応を適用した後、一貫性のある性能改善が維持される。
  論文  参考訳（メタデータ） (2022-05-13T04:29:49Z)
• On-the-Fly Feature Based Rapid Speaker Adaptation for Dysarthric and Elderly Speech Recognition [53.17176024917725]
  話者レベルのデータの共有化は、データ集約型モデルに基づく話者適応手法の実用的利用を制限する。 本稿では,2種類のデータ効率,特徴量に基づくオンザフライ話者適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T09:12:24Z)
• Exploiting Cross Domain Acoustic-to-articulatory Inverted Features For Disordered Speech Recognition [57.15942628305797]
  調音機能は音響信号歪みに不変であり、正常音声の自動音声認識システムにうまく組み込まれている。 本稿では,15時間 TORGO コーパスの並列音響・調音データをモデルトレーニングに用いるクロスドメイン音響・調音(A2A)インバージョン手法を提案する。 クロスドメインは102.7時間のUASpeechコーパスに適応し、調音的特徴を生産する。
  論文  参考訳（メタデータ） (2022-03-19T08:47:18Z)
• Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
  本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。 正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
  論文  参考訳（メタデータ） (2022-01-14T17:09:22Z)
• Robust Self-Supervised Audio-Visual Speech Recognition [29.526786921769613]
  本稿では,Audio-Visual HuBERT(AV-HuBERT)に基づく自己教師型音声視覚音声認識フレームワークを提案する。 利用可能な最大のAVSRベンチマークデータセットであるLSS3では、ラベル付きデータの10%未満を使用して、従来の最先端(28.0%対14.1%)よりも50%優れています。 我々のアプローチは、平均して75%以上(25.8%対5.8%)のオーディオベースモデルのWERを削減する。
  論文  参考訳（メタデータ） (2022-01-05T18:50:50Z)

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。