Fugu-MT 論文翻訳(概要): Modeling turn-taking with distant viewing: investigating silence thresholds in human and AI-generated discourse

論文の概要: Modeling turn-taking with distant viewing: investigating silence thresholds in human and AI-generated discourse

arxiv url: http://arxiv.org/abs/2607.18076v1
Date: Mon, 20 Jul 2026 15:46:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.687889
Title: Modeling turn-taking with distant viewing: investigating silence thresholds in human and AI-generated discourse
Title（参考訳）: 遠視によるターンテイクのモデル化--人間とAIによる会話におけるサイレントしきい値の調査
Abstract要約: ギャップは話者の性別によって比較され、プラートで推定される基本周波数閾値から割り振られ、生産環境でも比較された。アメリカでは30の状況的コメディーと51の合成ポッドキャストが分析された。
参考スコア（独自算出の注目度）: 0.8724205463103302
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study investigates silence gaps in two kinds of audiovisual material. We analysed thirty US situational comedies and fifty-one synthetic podcasts generated with Google NotebookLM. Gaps were compared across speaker gender, assigned from a fundamental-frequency threshold estimated in Praat, and across production settings.
Abstract（参考訳）: 本研究は,2種類の聴覚材料におけるサイレントギャップについて検討する。われわれは、Google NotebookLMで生成された30のアメリカの状況的コメディーと51の合成ポッドキャストを分析した。ギャップは話者の性別によって比較され、プラートで推定される基本周波数閾値から割り振られ、生産環境でも比較された。

関連論文リスト

HEAR Who Said What: Unlocking Speaker-Attributed Reasoning via Counterfactual Voice Grounding [54.365959989048406]
音声言語モデル(SLM)は、ますますマルチスピーカー環境にデプロイされている。しかし、音声を正しい話者とみなし、話者の身元を判断する能力は、いまだに不明である。本稿では,話者対応推論の基礎的能力を診断するベンチマークHEARを紹介する。 A2Rは、話者レベルのハードな負を持つ非現実的オーディオに最適化された30Bモデルである。
論文参考訳（メタデータ） (2026-08-29T08:01:20Z)
ParaPairAudioBench: Paralinguistic Pairwise Audio Benchmark for LALM-as-a-Judge [30.520810407664072]
ParaPairAudioBenchは、5つのパラ言語的次元(スタイル、レート、強調、年齢、ジェンダー)にわたる5,175のオーディオペアのペアベンチマークである。実験によると、現在のLALMの審査員は平均で32%の差で人間の判断に遅れており、厳しい校正の失敗を示している。
論文参考訳（メタデータ） (2026-06-23T14:43:43Z)
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)
Multi-Domain Audio Question Answering Toward Acoustic Content Reasoning in The DCASE 2025 Challenge [102.84031769492708]
本課題は,多様な音響シーンに対する対話型質問応答における音声モデルをテストするための3つのQAサブセットを定義する。開発セットの予備的な結果を比較し、モデルとサブセット間で強い変動を示す。この課題は、音声モデルの音声理解と推論能力を人間レベルに向上することを目的としている。
論文参考訳（メタデータ） (2025-05-12T09:04:16Z)
Distinct social-linguistic processing between humans and large audio-language models: Evidence from model-brain alignment [2.859021383061256]
本研究では,音声認識モデル(LALM)とヒトの音声理解における話者特性について比較した。 LALM(Qwen2-AudioとUltravox 0.5)処理パターンをヒト脳波応答と比較した。
論文参考訳（メタデータ） (2025-03-25T12:10:47Z)
A Survey on Audio Diffusion Models: Text To Speech Synthesis and Enhancement in Generative AI [64.71397830291838]
生成AIは様々な分野で印象的な性能を示しており、音声合成は興味深い方向である。拡散モデルを最も一般的な生成モデルとし、テキストから音声への拡張と音声への拡張という2つのアクティブなタスクを試みている。本研究は,既存の調査を補完する音声拡散モデルに関する調査を行う。
論文参考訳（メタデータ） (2023-03-23T15:17:15Z)
Pre-trained Model Representations and their Robustness against Noise for Speech Emotion Analysis [6.382013662443799]
我々は、事前訓練されたモデルからのマルチモーダル融合表現を用いて、最先端の音声感情推定を生成する。その結果,語彙表現は音響表現に比べて歪みに対して頑健であることが判明した。
論文参考訳（メタデータ） (2023-03-03T18:22:32Z)
Pre-Finetuning for Few-Shot Emotional Speech Recognition [20.894029832911617]
我々は話者適応を数発の学習問題と見なしている。そこで本研究では,知識を数発の下流分類対象に抽出する難解な課題に対する事前学習音声モデルを提案する。
論文参考訳（メタデータ） (2023-02-24T22:38:54Z)
Joint Speech Recognition and Audio Captioning [37.205642807313545]
室内と屋外の両方で録音された音声サンプルは、しばしば二次音源で汚染される。自動音声キャプション(AAC)の進展する分野と、徹底的に研究された自動音声認識(ASR)を一体化することを目的としている。本稿では,ASRタスクとAACタスクのエンドツーエンド共同モデリングのためのいくつかのアプローチを提案する。
論文参考訳（メタデータ） (2022-02-03T04:42:43Z)
VisualVoice: Audio-Visual Speech Separation with Cross-Modal Consistency [111.55430893354769]
ビデオでは、同時の背景音や他の人間のスピーカーにもかかわらず、顔に関連するスピーチを抽出することを目的としています。本手法は,非ラベル映像から音声-視覚音声分離とクロスモーダル話者埋め込みを共同で学習する。音声-視覚音声分離と強化のための5つのベンチマークデータセットで最新の結果が得られます。
論文参考訳（メタデータ） (2021-01-08T18:25:24Z)
Multi-view Temporal Alignment for Non-parallel Articulatory-to-Acoustic Speech Synthesis [59.623780036359655]
A2A(Articulatory-to-Aoustic)合成は、音声刺激器のキャプチャされた動きから可聴音声の生成を指します。この手法には、病気や怪我のためにもはや話せない人々への口頭コミュニケーションの回復など、多くの応用がある。本稿では,多視点学習の理論に基づく問題解決法を提案する。
論文参考訳（メタデータ） (2020-12-30T15:09:02Z)

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。