論文の概要: ESCUCHA: A Spanish Speech Benchmark for Heterogeneous Acoustic Conditions

• arxiv url: http://arxiv.org/abs/2607.17812v1
• Date: Mon, 20 Jul 2026 10:59:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.597635
• Title: ESCUCHA: A Spanish Speech Benchmark for Heterogeneous Acoustic Conditions
• Title（参考訳）: ESCUCHA: 不均一音環境のためのスペイン語音声ベンチマーク
• Abstract要約: ESCUCHAは、既存のデータセットからではなく、音声と組み合わせた1,000の人為的な質問からなる。 このベンチマークは、9つの知覚的カテゴリーと10の推論カテゴリにまたがる推論を強調し、複数のスペイン語アクセントと非ノルマ的スピーチを通して言語多様性を捉えている。 いくつかの最先端のマルチモーダルおよび音声モデルのベンチマークでは、訓練された人間と比較して、かなりのパフォーマンスのギャップが示される。
• 参考スコア（独自算出の注目度）: 66.93528077633728
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As large audio language models (LALMs) advance, robust evaluation frameworks have become essential. In this context, Spanish speech understanding under realistic acoustic conditions has received particularly little attention. We introduce ESCUCHA, the first Spanish speech understanding benchmark designed to evaluate LALMs across heterogeneous acoustic conditions and reasoning abilities. ESCUCHA comprises 1,000 human-curated questions paired with audio, totaling 162.9 hours sourced directly ``from the wild'' rather than drawn from existing datasets, with durations ranging from a few seconds to over 80 minutes. The benchmark emphasizes reasoning, spanning 9 perceptual and 10 reasoning categories, and it captures linguistic diversity through multiple Spanish accents and non-normative speech. ESCUCHA further includes multi-audio questions, spoken questions, and audio instructions, and it flags which questions support open-ended evaluation. Benchmarking several state-of-the-art multimodal and speech models reveals substantial performance gaps relative to trained humans.
• Abstract（参考訳）: 大規模オーディオ言語モデル(LALM)が進歩するにつれて、ロバストな評価フレームワークが不可欠になっている。 この文脈では、現実的な音響条件下でのスペイン語の音声理解は特に注目されていない。 ESCUCHAは、異種音響条件と推論能力にまたがるLALMを評価するために設計された最初のスペイン語音声理解ベンチマークである。 ESCUCHAは、既存のデータセットから抽出されるのではなく、音声と組み合わせた1,000の人為的な質問で構成され、合計162.9時間の「野生から」をソースとしている。 このベンチマークは、9つの知覚的カテゴリーと10の推論カテゴリにまたがる推論を強調し、複数のスペイン語アクセントと非ノルマ的スピーチを通して言語多様性を捉えている。 ESCUCHAはさらに、複数音声の質問、音声の質問、音声の指示、そして質問がオープンな評価をサポートするフラグを含んでいる。 いくつかの最先端のマルチモーダルおよび音声モデルのベンチマークでは、訓練された人間と比較してかなりのパフォーマンスのギャップが示される。

関連論文リスト

• SEA-SpeechBench: A Large-Scale Multitask Benchmark for Speech Understanding Across Southeast Asia [20.33019395334099]
  東南アジア11言語で音声理解を評価するための,最初の大規模ベンチマークであるSEA-SpeechBenchを紹介する。 本ベンチマークでは、音声処理(自動音声認識、音声翻訳、音声質問応答)、パラ言語分析(感情、性別、年齢、話者認識)、時間的理解(時間的理解)の3つのカテゴリにまたがる9つのタスクからなる。 ネイティブSEA言語と英語の両方でマルチ言語プロンプトを実装し,音声-言語モデルとのユーザインタラクションを反映する。
  論文  参考訳（メタデータ） (2026-09-09T03:39:18Z)
• S-DiverSe: Spanish Diverse Speech [67.47251829943015]
  S-DiverSe(S-DiverSe)は、筋萎縮性側索硬化症、パーキンソン病、脳卒中を持つ22人の話者による3.2時間のスペイン語音声コーパスである。 データセットには、444個の手書き音声セグメントが含まれており、話者の性別、病型、知性に関するメタデータがある。
  論文  参考訳（メタデータ） (2026-07-03T11:23:43Z)
• MUSCAT: MUltilingual, SCientific ConversATion Benchmark [60.87925076316812]
  多言語音声技術の目標は、異なる言語を話す個人間のシームレスなコミュニケーションを容易にすることである。 この経験を生み出すためには、音声技術は、混合多言語入力、特定の語彙、コードスイッチングといったいくつかの課題に対処する必要がある。 本稿では,これらの課題に対処できるかどうかを問う,現在の音声認識(ASR)システムを評価するための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T10:39:01Z)
• Do What I Say: A Spoken Prompt Dataset for Instruction-Following [64.72383858691795]
  DoWhatISay (DOWIS) は、人間の音声と文字によるプロンプトのデータセットである。 5つのスタイルで、タスク言語ペアごとに10のプロンプト変種を提供する。 DOWISを用いて最先端のSLLMをベンチマークし、即時モダリティ、スタイル、言語、タスクタイプ間の相互作用を分析する。
  論文  参考訳（メタデータ） (2026-03-10T16:39:46Z)
• Bias in the Ear of the Listener: Assessing Sensitivity in Audio Language Models Across Linguistic, Demographic, and Positional Variations [21.050704978484784]
  我々は,Global MMLU Liteに基づく音声強調ベンチマークであるBiasInEarデータセットを構築し,リリースする。 言語的(言語とアクセント)、人口統計学的(ジェンダー)、構造的(選択順序)摂動の9つの代表モデルを評価する。 以上の結果から,MLLMは人口統計学的要因に対して比較的頑健であるが,言語や選択肢の順序に非常に敏感であることが明らかとなり,既存の構造バイアスを増幅する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-02-01T05:34:34Z)
• Advancing Singlish Understanding: Bridging the Gap with Datasets and Multimodal Models [38.608158064184366]
  我々は、MNSC(Multitask National Speech Corpus)を導入し、最大のSinglishコーパスを標準化し、注釈する。 これらのデータセットは、自動音声認識(ASR)、音声質問回答(SQA)、音声対話要約(SDS)、パラ言語質問回答(PQA)など様々なタスクをサポートする。 本稿ではマルチタスクマルチモーダルモデルであるSingAudioLLMを提案する。
  論文  参考訳（メタデータ） (2025-01-02T03:28:52Z)
• Benchmarking Open-ended Audio Dialogue Understanding for Large Audio-Language Models [58.43486430996411]
  LALM(Large Audio-Language Models)は、最近、人間との直接の音声交換を可能にする音声対話機能をアンロックした。 オープンエンド音声対話理解におけるLALMの性能を評価するための音声対話理解ベンチマーク(ADU-Bench)を提案する。 ADU-Benchには、LALMの評価のための2万以上のオープンエンドオーディオダイアログが含まれている。
  論文  参考訳（メタデータ） (2024-12-06T16:34:15Z)
• Do Audio-Language Models Understand Linguistic Variations? [42.17718387132912]
  Open-vocabulary Audio Language Model (ALM)は、自然言語クエリを用いた音声テキスト検索の新しいパラダイムである。 本稿では,言語変化に対する音声表現を学習するための新しい,計算効率の高い手法であるRobostCLAPを提案する。
  論文  参考訳（メタデータ） (2024-10-21T20:55:33Z)
• CLAIR-A: Leveraging Large Language Models to Judge Audio Captions [73.51087998971418]
  機械生成オーディオキャプションの評価は、様々な要因を検討する必要がある複雑なタスクである。 本稿では,大規模言語モデルのゼロショット機能を活用するシンプルで柔軟なCLAIR-Aを提案する。 我々の評価では、CLAIR-Aは従来のメトリクスと比較して品質の人的判断を良く予測する。
  論文  参考訳（メタデータ） (2024-09-19T17:59:52Z)
• LIP-RTVE: An Audiovisual Database for Continuous Spanish in the Wild [0.0]
  本稿では,制約のない自然スペイン語を扱うための半自動注釈付き音声視覚データベースを提案する。 隠れマルコフモデルを用いて話者に依存しないシナリオと話者に依存しないシナリオの両方の結果を報告する。
  論文  参考訳（メタデータ） (2023-11-21T09:12:21Z)

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。