論文の概要: LuxSQA: Ask Me in Luxembourgish with TTS-Augmented Spoken Question Answering

• arxiv url: http://arxiv.org/abs/2607.02763v1
• Date: Thu, 02 Jul 2026 21:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.415411
• Title: LuxSQA: Ask Me in Luxembourgish with TTS-Augmented Spoken Question Answering
• Title（参考訳）: ルクセンブルク語で質問するLuxSQA
• Abstract要約: Spoken Question Answering (SQA) は、ハイソース言語と注意深く記録された音声に主に焦点を絞っている。 本稿では,大規模なQAコーパスを必要とせずに,テキスト音声(TTS)がLuxembourgish SQAのタスク固有トレーニングデータを提供できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 8.948779410725903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spoken Question Answering (SQA) remains largely focused on high-resource languages and carefully recorded speech, limiting the reach of speech-LLM methods in low-resource settings. This paper investigates whether text-to-speech (TTS) can provide task-specific training data for Luxembourgish SQA without requiring a large human-recorded QA corpus. Starting from existing text-based QA resources, we translate questions into Luxembourgish, synthesize spoken questions with multiple TTS systems, and pair them with textual answers. We train a parameter-efficient SLAM-style architecture that connects a frozen Whisper encoder to frozen multilingual LLM backends through a learned projector and LoRA adapters. We compare MMS-TTS, Qwen3-TTS, and OmniVoice variants, including single-source corpora of about 48k questions and a 4TTS multi-source mix of approximately 230k questions. Evaluation on LLAMA-LB-Test with two real Luxembourgish speaker conditions shows that multi-source and voice-design-based synthetic training configurations yield the strongest SQA performance. The results also show that no-reference TTS quality scores do not monotonically predict downstream QA performance, indicating that synthetic speech must be evaluated as task-specific training data rather than only as natural-sounding audio.
• Abstract（参考訳）: Spoken Question Answering (SQA) は、高リソース言語と注意深く記録された音声に主に焦点を絞っており、低リソース環境での音声-LLM手法の到達範囲を制限している。 本稿では,大規模なQAコーパスを必要とせずに,テキスト音声(TTS)がLuxembourgish SQAのタスク固有トレーニングデータを提供できるかどうかを検討する。 既存のテキストベースのQAリソースから、質問をLuxembourgishに変換し、複数のTSシステムで音声質問を合成し、テキスト回答と組み合わせる。 我々は、学習したプロジェクタとLoRAアダプタを介して、凍結したウィスパーエンコーダと凍結した多言語LLMバックエンドを接続するパラメータ効率のSLAMスタイルのアーキテクチャを訓練する。 我々は,MMS-TTS,Qwen3-TTS,OmniVoiceの変種を比較し,約48k質問の単一ソースコーパスと約230k質問の4TTSマルチソースミックスを含む。 2つの実ルクセンブルク話者条件によるLLAMA-LB-Testの評価は、マルチソースおよび音声設計に基づく合成訓練構成が最強のSQA性能をもたらすことを示す。 また,非参照TTS品質スコアはダウンストリームQA性能を単調に予測せず,合成音声は自然音のみでなく,タスク固有の訓練データとして評価する必要があることを示した。

関連論文リスト

• SEAR: Segment-Evidence-Aware Routing for Weak-to-Strong Multilingual Speech MCQ [0.0]
  本稿では,第2回MLC-SLMチャレンジのタスク2について述べる。 言語モデルは、タイムスタンプ付きASRをコヒーレントなイベントスパンに変換する。 テキストのみのプローブは、データを教師付き微調整や強化学習に用いられる強い音声依存アイテムに分割する。
  論文  参考訳（メタデータ） (2026-09-10T10:38:19Z)
• Language-Aware Distillation for Multilingual Instruction-Following Speech LLMs with ASR-Only Supervision [36.3996368188181]
  多くの言語で命令を理解し、従う音声大言語モデル(LLM)は、実世界の対話に有用である。 最近の蒸留法に基づくアプローチでは、注釈付きASRデータのみを用いて、軽量プロジェクタのみを用いてテキストと音声をアライメントすることで、英文のみのLLMを訓練している。 クエリバンクとゲーティングネットワークを用いて,Q-Formerプロジェクタを用いてクエリトークンを選択または混合する言語対応蒸留を導入することで,この問題に対処する。
  論文  参考訳（メタデータ） (2026-03-07T04:09:47Z)
• Fun-Audio-Chat Technical Report [71.07966678560291]
  音声トークン(25Hz)とテキストトークン(3Hz)の間の時間分解能は意味情報のミスマッチを緩和し、高い計算コストを発生させる。 本稿では,大規模な音声合成タスクであるFun-Audio-Chatを紹介する。 Fun-Audio-Chat 8BとMoE 30BA3Bは、SpeechTextとSpeech-to-scaleタスクの競合性能を達成する。
  論文  参考訳（メタデータ） (2025-12-23T08:35:27Z)
• CCFQA: A Benchmark for Cross-Lingual and Cross-Modal Speech and Text Factuality Evaluation [26.054199546779696]
  CCFQAベンチマークには8言語にまたがる並列音声テキストの事実質問が含まれている。 実験の結果,現在のMLLMはCCFQAベンチマークにおいて大きな課題に直面していることがわかった。 本稿では,LLMの質問応答能力(QA)を多言語音声質問応答(SQA)タスクに効果的に伝達する,数発の翻訳学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-10T11:09:41Z)
• Spoken question answering for visual queries [14.834200714168546]
  本研究の目的は,音声と画像の両方を通じてユーザインタラクションを可能にするシステムを構築することである。 結果として得られるマルチモーダルモデルは、テキスト、ビジュアル、および音声入力を持ち、画像上の音声質問に答えることができる。
  論文  参考訳（メタデータ） (2025-05-29T10:06:48Z)
• SpokenNativQA: Multilingual Everyday Spoken Queries for LLMs [12.60449414234283]
  SpokenNativQAは、最初の多言語および文化的に整列された音声質問応答データセットである。 データセットは、複数の言語で約33,000の自然に話される質問と回答から構成される。
  論文  参考訳（メタデータ） (2025-05-25T14:22:18Z)
• Nexus: An Omni-Perceptive And -Interactive Model for Language, Audio, And Vision [83.0622534215881]
  本研究は, 聴覚, 視覚, 言語的モダリティを統合した, 産業レベルのOmni-Modal Large Language Model (LLM) パイプラインを提案する。 まず、様々なエンコーダ-LLM-デコーダアーキテクチャの柔軟な構成を可能にするモジュラーフレームワークです。 第二に、最先端のビジョン言語モデルであるQwen2.5-VLのオーディオ言語アライメントを事前訓練する軽量なトレーニング戦略である。 第三に、様々な現実世界のシナリオから高品質な音声テキストデータを生成するオーディオ合成パイプライン。
  論文  参考訳（メタデータ） (2025-02-26T17:26:36Z)
• VoiceTextBlender: Augmenting Large Language Models with Speech Capabilities via Single-Stage Joint Speech-Text Supervised Fine-Tuning [64.56272011710735]
  大規模言語モデル(LLM)のバックボーンの低ランク適応(LoRA)に対して,新しい単一段階共同音声テキストSFTアプローチを提案する。 従来のSpeechLMの7Bまたは13Bパラメータと比較すると,我々の3Bモデルは様々な音声ベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-23T00:36:06Z)
• QS-TTS: Towards Semi-Supervised Text-to-Speech Synthesis via Vector-Quantized Self-Supervised Speech Representation Learning [65.35080911787882]
  本稿では、教師付きデータ要求の少ないTS品質を実現するための、新しい半教師付きTSフレームワークQS-TTSを提案する。 2つのVQ-S3R学習者は、TSのための有益な音声表現と事前訓練されたモデルを提供する。 その結果、QS-TTSの優れた性能を示し、教師付きまたは半教師付きベースラインTSアプローチよりも最高のMOSを獲得した。
  論文  参考訳（メタデータ） (2023-08-31T20:25:44Z)
• DUAL: Textless Spoken Question Answering with Speech Discrete Unit Adaptive Learning [66.71308154398176]
  SQA (Spken Question Answering) は近年注目され, 目覚ましい進歩を遂げている。 既存のSQA手法は、収集に時間と費用がかかる自動音声認識(ASR)の転写に依存している。 本研究は,未ラベルのデータを事前学習に活用し,SQAダウンストリームタスクによって微調整される離散単位適応学習(DUAL)という,ASR transcript-free SQAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-09T17:46:22Z)
• Towards Data Distillation for End-to-end Spoken Conversational Question Answering [65.124088336738]
  音声対話型質問応答タスク(SCQA)を提案する。 SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。 我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
  論文  参考訳（メタデータ） (2020-10-18T05:53:39Z)
• LRSpeech: Extremely Low-Resource Speech Synthesis and Recognition [148.43282526983637]
  データコストの低い言語のためのTLSおよびASRシステムであるLSpeechを開発した。 実験言語(英語)と真の低リソース言語(リトアニア語)で実験を行い,LRSpeechの有効性を検証する。 現在、より稀な言語でTSをサポートするために、商用のクラウド音声サービスにLSpeechをデプロイしています。
  論文  参考訳（メタデータ） (2020-08-09T08:16:33Z)

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。