論文の概要: Robust Summarization of Doctor-Patient Conversations: TalTech Systems for the Beyond Transcription Challenge
- arxiv url: http://arxiv.org/abs/2607.17230v1
- Date: Sun, 19 Jul 2026 12:49:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.397043
- Title: Robust Summarization of Doctor-Patient Conversations: TalTech Systems for the Beyond Transcription Challenge
- Title（参考訳）: 博士論文のロバスト要約:TalTech Systems for the Beyond Transcription Challenge
- Abstract要約: 本稿では,Beyond Transcription Challenge (BeTraC)へのTalTechの提出について述べる。
この課題は、中間転写なしで、長期の医師と患者の会話記録から直接SOAPノートを作成する必要がある。
LoRAによる微調整とDAPO強化学習を併用し,Voxtral MiniとVoxtral Smallを長期的ロバスト性に適用した。
テキスト書き起こしの微調整は、音声入力によく対応し、ドメイン外の実記録の堅牢性を向上させることが判明した。
- 参考スコア（独自算出の注目度）: 6.193919591996934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper describes TalTech's submissions to the Beyond Transcription Challenge (BeTraC), which requires generating SOAP notes directly from long doctor-patient conversation recordings, without intermediate transcription. After screening open-weight speech LLMs for long-audio robustness, we adapted Voxtral Mini (lightweight track) and Voxtral Small (heavyweight track) with LoRA supervised fine-tuning followed by DAPO reinforcement learning that uses the challenge metric, Open Medical Concept F1, as its reward. Our systems ranked first in both tracks, and an independent LLM-as-a-judge evaluation showed the lowest hallucination rate among all submissions, indicating that reinforcement learning against a concept-matching metric need not compromise factual reliability. We also find that fine-tuning on text transcripts transfers well to speech input and appears to improve robustness on out-of-domain real recordings.
- Abstract（参考訳）: 本稿では、TalTechによるBeyond Transcription Challenge(BeTraC)への提出について述べる。
音声のLLMを長期的頑健性のためにスクリーニングした後,LoRAによる微調整とDAPO強化学習を併用し,Voxtral Mini(軽量トラック)とVoxtral Small(重トラック)を報酬として適用した。
両トラックで上位にランク付けし,LLM-as-a-judgeの独立評価を行った結果,全ての投稿において幻覚率が最も低く,概念整合度に対する強化学習が事実の信頼性を損なう必要はないことが示唆された。
また,テキスト書き起こしの微調整は音声入力に適しており,ドメイン外の実記録の堅牢性も向上していることがわかった。
関連論文リスト
- Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics [99.89493037369071]
音声の重複や遠距離雑音,話者数の変化など,会話の自動音声認識は依然として困難である。
近年のLCMベースのシステムは単一話者のベンチマークでは良好に動作するが、マルチ話者設定におけるロバスト性は不明確である。
重なり、意味的忠実度、話者数、シングルチャンネルとマルチチャネル入力の4つの軸に沿って、LLMベースのアプローチとモジュラーアプローチを体系的に比較する。
論文 参考訳（メタデータ） (2026-03-24T02:01:21Z) - Beyond Transcripts: A Renewed Perspective on Audio Chaptering [66.61445564139052]
音声のみのアーキテクチャ(AudioSeg)は,長文音声をコヒーレントなセクションに分割するためのテキストベースのアプローチよりも優れていることを示す。
YTSegの実験では、AudioSegはテキストベースのアプローチを著しく上回り、停止は最大の音響的利得をもたらし、MLLMは文脈長と弱命令によって制限される。
論文 参考訳（メタデータ） (2026-02-09T18:28:10Z) - Hearing Between the Lines: Unlocking the Reasoning Power of LLMs for Speech Evaluation [19.92868268408954]
大言語モデル(LLM)の判断は、強い推論能力を示すが、テキストコンテンツに限定される。
提案するTRACEは,LLM審査員が音質を判断し,費用対効果と人間対応のS2S評価を実現するための新しいフレームワークである。
HCoTアノテーションとTRACEフレームワークをリリースし、スケーラブルでヒューマンアラインなS2S評価を可能にします。
論文 参考訳（メタデータ） (2026-01-20T08:57:02Z) - MOSS Transcribe Diarize: Accurate Transcription with Speaker Diarization [68.87577482940664]
話者対応のタイムスタンプ・トランセプションは,各話者の発話のタイミングを正確に決定することを目的としている。
既存のSATSシステムでは、エンド・ツー・エンドの定式化はまれであり、コンテキストウィンドウの制限、長距離スピーカーメモリの弱い、タイムスタンプの出力ができないといった制約がある。
本稿では,MOSS Transcribe Diarizeについて述べる。MOSS Transcribe Diarizeはマルチモーダルな大規模言語モデルで,エンドツーエンドのパラダイムで話者属性,時間スタンプの転写を行う。
論文 参考訳（メタデータ） (2026-01-04T15:01:10Z) - Eliminating stability hallucinations in llm-based tts models via attention guidance [54.69225348397135]
本稿では,テキスト音声(TTS)モデルにおける安定性の幻覚の解消に注目する。
我々は,テキスト音声アライメントの品質を評価するためにビタビアルゴリズムを用いて,最適アライメントスコア(OAS)と呼ばれるメトリクスを提案した。
提案法は,CosyVoice2の安定性を負の効果を伴わずに効果的に抑制することができる。
論文 参考訳（メタデータ） (2025-09-24T07:47:52Z) - Blending LLMs into Cascaded Speech Translation: KIT's Offline Speech Translation System for IWSLT 2024 [61.189875635090225]
大規模言語モデル (LLM) は現在,自動音声認識 (ASR) や機械翻訳 (MT) ,さらにはエンドツーエンド音声翻訳 (ST) など,さまざまなタスクを探索中である。
論文 参考訳（メタデータ） (2024-06-24T16:38:17Z) - The Sound of Healthcare: Improving Medical Transcription ASR Accuracy
with Large Language Models [0.0]
大言語モデル(LLM)は、医学転写における音声認識システム(ASR)の精度を高めることができる。
本研究は, 単語誤り率(WER), 医用概念WER(MC-WER)の精度向上, 話者ダイアリゼーション精度の向上に焦点を当てた。
論文 参考訳（メタデータ） (2024-02-12T14:01:12Z) - DiariST: Streaming Speech Translation with Speaker Diarization [53.595990270899414]
本稿では,最初のストリーミングSTとSDソリューションであるDiariSTを提案する。
ニューラルトランスデューサベースのストリーミングSTシステム上に構築され、トークンレベルのシリアライズされた出力トレーニングとtベクタを統合している。
重なり合う音声のストリーミング推論を行いながら,Whisperに基づくオフラインシステムと比較して強いSTとSD能力を実現する。
論文 参考訳（メタデータ） (2023-09-14T19:33:27Z) - Improving Deliberation by Text-Only and Semi-Supervised Training [42.942428288428836]
本稿では,テキストのみによる半教師付きトレーニングを,注意に基づく検討モデルに取り入れることを提案する。
基準検討と比較して, WER の 4%-12% 削減を実現している。
また, 検討モデルにより, 肯定的な評価がもたらされることが示唆された。
論文 参考訳（メタデータ） (2022-06-29T15:30:44Z)
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。