論文の概要: Self-supervised Speech Comparison for L2 Phone, Rhythm, and Intonation Scoring

• arxiv url: http://arxiv.org/abs/2607.13721v1
• Date: Wed, 15 Jul 2026 11:37:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.751148
• Title: Self-supervised Speech Comparison for L2 Phone, Rhythm, and Intonation Scoring
• Title（参考訳）: L2電話, リズム, イントネーションの自己教師音声比較
• Abstract要約: 日本語と英語のL2音声における音声の正確さ,リズム,音調を評価するためのテキストフリーフレームワークを,自己教師型WavLM表現よりもDTWで提供できるかどうかを検討する。 その結果,学習者音声とネイティブテンプレートを比べたDTWに基づく基本的アプローチが,総合的および文レベルの音声スコアリングに関する人間の合意を超えていることが示唆された。
• 参考スコア（独自算出の注目度）: 25.343214931194264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: L2 speech assessment has traditionally focused on phonetic assessment, leaving the scoring of suprasegmental features such as rhythm and intonation underexplored. Moreover, assessment methods often require training with labeled L2 speech data, making them difficult to apply in low-resource settings. We investigate whether DTW over self-supervised WavLM representations can provide a text-free framework for assessing phonetic accuracy, rhythm, and intonation in English and Japanese L2 speech. Results show that a basic DTW-based approach that compares learner speech to native templates exceeds human agreement on holistic and sentence-level phonetic scoring. For rhythm, we introduce methods that measure the degree of warping in the DTW alignment path; our best method approaches human-level performance. For intonation, we combine DTW distance over prosodic residuals with pitch and intensity features, but performance remains more modest on some tasks. Our results point to self-supervised representations as a promising, text-free basis for multi-aspect pronunciation assessment.
• Abstract（参考訳）: L2音声アセスメントは伝統的に音韻的アセスメントに重点を置いており、リズムやイントネーションといった過度な特徴のスコアは未探索のままである。 さらに、評価手法はラベル付きL2音声データによる訓練を必要とすることが多く、低リソース環境では適用が困難である。 日本語と英語のL2音声における音声の正確さ,リズム,音調を評価するためのテキストフリーフレームワークを,自己教師型WavLM表現よりもDTWで提供できるかどうかを検討する。 その結果,学習者音声とネイティブテンプレートを比べたDTWに基づく基本的アプローチが,総合的および文レベルの音声スコアリングに関する人間の合意を超えていることが示唆された。 そこで本研究では,DTWアライメントパスにおけるワープの度合いを計測する手法を提案する。 イントネーションでは,韻律的残差よりもDTW距離をピッチと強度の特徴と組み合わせる。 この結果から,多視点発音評価のための有望なテキストフリーベースとして,自己教師型表現が示唆された。

関連論文リスト

• Zero-Shot Speech LLMs for Multi-Aspect Evaluation of L2 Speech: Challenges and Opportunities [8.300738063140129]
  本稿では,5000発のSpeechocean762発声に対して,命令付き言語LLMであるQwen2-Audio-7B-Instructのゼロショット性能を評価する。 このモデルは精度、流派、韻律、完全性のスコアを生成し、+-2許容範囲内の人間の評価と強い一致を示す。
  論文  参考訳（メタデータ） (2026-01-20T15:48:38Z)
• Towards Unsupervised Speech Recognition at the Syllable-Level [95.54031547995874]
  マスク付き言語モデリングに基づく音節レベルのUASRフレームワークを提案する。 我々は,従来の手法では特に難しい言語であるマンダリンを効果的に一般化する。
  論文  参考訳（メタデータ） (2025-10-04T02:56:33Z)
• Incorporating Contextual Paralinguistic Understanding in Large Speech-Language Models [19.864555505996112]
  本研究では,文脈パラ言語情報をモデル学習に組み込む2つの手法を提案する。 我々の暗黙的手法は、人間の注釈付きQAベンチマークでパフォーマンス(LLM-judged)を38.41%向上させ、明示的なアプローチと組み合わせると46.02%に達した。
  論文  参考訳（メタデータ） (2025-08-10T10:03:30Z)
• 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)
• Speechworthy Instruction-tuned Language Models [71.8586707840169]
  提案手法は,学習の促進と嗜好の両面において,一般的な命令調整型LLMの音声適合性の向上を図っている。 我々は,各手法が生成した応答の音声適合性向上にどのように貢献するかを示すために,語彙的,構文的,定性的な分析を共有する。
  論文  参考訳（メタデータ） (2024-09-23T02:34:42Z)
• Learning Speech Representation From Contrastive Token-Acoustic Pretraining [57.08426714676043]
  本研究では、2つのエンコーダを用いて音素と音声を複数モーダル空間に導入するCTAP(Contrastive Token-Acoustic Pretraining)を提案する。 提案したCTAPモデルは、210k音声と音素ペアで訓練され、最小教師付きTS、VC、ASRを実現する。
  論文  参考訳（メタデータ） (2023-09-01T12:35:43Z)
• Incorporating L2 Phonemes Using Articulatory Features for Robust Speech Recognition [2.8360662552057323]
  本研究は,韓国語音素を指すL2音素の効率的な組み込みについて,音声特徴分析を用いて検討した。 格子のない最大相互情報(LF-MMI)の目的をエンドツーエンドに使い、音響モデルを訓練し、複数の発音候補のうちの1つを調整・予測する。 実験結果から,提案手法は韓国語L2音声のASR精度をL1音声データのみに基づく訓練により向上させることが示された。
  論文  参考訳（メタデータ） (2023-06-05T01:55:33Z)
• Proficiency assessment of L2 spoken English using wav2vec 2.0 [3.4012007729454816]
  wav2vec 2.0 を用いて、2つの小さなデータセットの総合的および個別的な習熟度を評価する。 その結果,本手法は,ASRと手書きによる手書き文字起こしを訓練したBERTベースのベースラインシステムよりも有意に優れていることがわかった。
  論文  参考訳（メタデータ） (2022-10-24T12:36:49Z)
• FragmentVC: Any-to-Any Voice Conversion by End-to-End Extracting and Fusing Fine-Grained Voice Fragments With Attention [66.77490220410249]
  本稿では、Wav2Vec 2.0から、音源話者からの発声の潜在音声構造を求めるFragmentVCを提案する。 FragmentVCは、ターゲット話者発話からきめ細かい音声断片を抽出し、所望の発話に融合することができる。 提案手法は, コンテンツと話者情報との絡み合いを考慮せずに, 再構成損失を学習する。
  論文  参考訳（メタデータ） (2020-10-27T09:21:03Z)

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。