論文の概要: From a Multilingual Streaming ASR Backbone to Kenyan-Language Systems: Data-Centric Adaptation of Nemotron 3.5 for Kikuyu, Dholuo, and Kalenjin
- arxiv url: http://arxiv.org/abs/2607.18912v1
- Date: Tue, 21 Jul 2026 09:52:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.387493
- Title: From a Multilingual Streaming ASR Backbone to Kenyan-Language Systems: Data-Centric Adaptation of Nemotron 3.5 for Kikuyu, Dholuo, and Kalenjin
- Title（参考訳）: 多言語ストリーミングASRバックボーンからケニア・ランゲージシステム:キクユ,ドルー,カレンジンのネモトロン3.5のデータ中心適応
- Abstract要約: 本稿では,NVIDIA Nemotron 3.5 ASR Streaming 0.6Bを応用したエンドツーエンドのエンジニアリングスタディを,菊湯,ドリオ,カレンジンに提示する。
この研究は、コーパス監査、Unicode正規化、分割チェック、期間フィルタリング、低レート継続、検証に基づくチェックポイント選択、真のストリーミング評価、アーティファクト保存、孤立したサービスについてカバーしている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic speech recognition (ASR) for African languages is constrained by orthographic inconsistency, annotation artifacts, missing audio, speaker and domain imbalance, and evaluation procedures that differ from deployment. We present an end-to-end engineering study adapting NVIDIA Nemotron 3.5 ASR Streaming 0.6B to Kikuyu, Dholuo, and Kalenjin. Starting from a Kenyan Swahili-adapted checkpoint, we retain its cache-aware FastConformer RNN-T, prompt conditioning, and streaming decoder during full-parameter fine-tuning. The study covers corpus auditing, Unicode normalization, split checks, duration filtering, low-rate continuation, validation-based checkpoint selection, true-streaming evaluation, artifact preservation, and isolated serving. On internal, adaptively consulted evaluation sets excluded from gradient updates at context [56,13], selected Kikuyu and Dholuo models achieve 42.97% and 33.98% WER, respectively. Dholuo records 9.59% CER and 8.13% no-space CER under its frozen historical label policy; Kikuyu records 7.79% no-space CER. Kalenjin remains a work in progress: v1-v reaches 68.74% WER on a 2,411-row clean-v3 diagnostic subset excluding long-pause annotations, digit-bearing references, and targets shorter than three tokens. Its checkpoint selection used a mixed-source validation manifest containing test-origin rows, so the score is not an independent generalization estimate. We also report negative findings involving non-speech labels, short-utterance over-generation, boundary-sensitive WER, and cloud job-lifecycle failures. We make no state-of-the-art claim because the internal sets, repeated consultation, and normalization differ from public benchmarks. This work provides an auditable account of adapting a multilingual streaming model into language-specific systems without discarding streaming constraints.
- Abstract（参考訳）: アフリカ言語の自動音声認識(ASR)は、正書法上の不整合、アノテーションのアーティファクト、音声の欠如、話者とドメインの不均衡、デプロイメントと異なる評価手順によって制約される。
本稿では,NVIDIA Nemotron 3.5 ASR Streaming 0.6Bを応用したエンドツーエンドのエンジニアリングスタディを,菊湯,ドリオ,カレンジンに提示する。
Kenyan Swahiliに適応したチェックポイントから始めて、キャッシュ対応のFastConformer RNN-T、プロンプトコンディショニング、ストリーミングデコーダをフルパラメータの微調整中に保持する。
この研究は、コーパス監査、Unicode正規化、分割チェック、期間フィルタリング、低レート継続、バリデーションベースのチェックポイント選択、真のストリーミング評価、アーティファクト保存、孤立したサービスを対象としている。
コンテクスト[56,13]の勾配更新から除外された内部的,適応的に相談された評価セットでは,選択された菊湯モデルとどおモデルはそれぞれ42.97%,WERは33.98%であった。
Dholuoは9.59%のCERと8.13%のNo-space CERを凍結した歴史的ラベルポリシーで記録し、Kokuyuは7.79%のno-space CERを記録した。
v1-vは2,411行のクリーンv3診断サブセットで68.74%のWERに達し、ロングポーズアノテーション、桁付き参照、および3つ未満のトークンをターゲットにしている。
そのチェックポイントの選択は、テストオリジン行を含む混合ソース検証マニフェストを使用しており、スコアは独立した一般化推定値ではない。
また,非音声ラベル,短報オーバージェネレーション,境界感応性WER,クラウドジョブライフサイクル障害などの否定的な結果も報告した。
内部セット、反復的なコンサルテーション、正規化が公開ベンチマークと異なるため、最先端の主張はしない。
この作業は、マルチランガルストリーミングモデルを、ストリーミング制約を捨てることなく、言語固有のシステムに適応する監査可能な説明を提供する。
関連論文リスト
- IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - Interpretable Cross-Lingual Alignment in Small Language Models: Probing Cultural and Pragmatic Reasoning in Japanese-English Bilingual LLMs [0.0]
表面流速から4つの現象を分離する最小ペアのベンチマークであるJ-PragEval-v0を紹介する。
線形プローブと教師による対数確率評価を組み合わせて、TinySwallow-1.5B内のどのコントラストがライブであるかを問う。
論文 参考訳（メタデータ） (2026-08-14T21:04:21Z) - Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。
コードには手書きのコードはなく、人間による注釈もない。
エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
論文 参考訳（メタデータ） (2026-07-17T17:41:16Z) - Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。
8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。
FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
論文 参考訳（メタデータ） (2026-06-02T07:01:33Z) - ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。
有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文 参考訳（メタデータ） (2026-05-18T20:06:04Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Efficient Punctuation Restoration via Weighted Lookahead Scoring Method for Streaming ASR Systems [4.703098868120046]
Punctuation restorationは、ASR(Automatic Speech Recognition)の可読性を改善する。
ASRをストリーミングするには、将来の状況に制限のあるオンライン決定が必要である。
本稿では,入力書き起こしを保存し,各単語境界で決定する非自己回帰的スコアリング手法を提案する。
論文 参考訳（メタデータ） (2026-04-18T01:03:33Z) - DIA-HARM: Dialectal Disparities in Harmful Content Detection Across 50 English Dialects [6.107850985025956]
本稿では,50の英語方言における偽情報検出のための最初のベンチマークであるDIA-HARMを提案する。
人間による方言の含有量は1.4-3.6%減少し、一方でAI生成された内容は安定している。
私たちはDIA-HARMフレームワーク、D3コーパス、評価ツールをリリースします。
論文 参考訳（メタデータ） (2026-04-07T01:43:48Z) - From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。
商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。
低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文 参考訳（メタデータ） (2026-03-02T13:02:13Z) - Self-Taught Recognizer: Toward Unsupervised Adaptation for Speech Foundation Models [84.8919069953397]
Self-Taught Recognizer (STAR) は、音声認識システムのための教師なし適応フレームワークである。
その結果,STARは14のドメインで平均13.5%の単語誤り率の相対的な減少を実現していることがわかった。
STARは1時間以内のラベル付きデータを必要とする高いデータ効率を示す。
論文 参考訳（メタデータ） (2024-05-23T04:27:11Z) - HyPoradise: An Open Baseline for Generative Speech Recognition with
Large Language Models [81.56455625624041]
ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。
提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。
合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
論文 参考訳（メタデータ） (2023-09-27T14:44:10Z) - 3DIoUMatch: Leveraging IoU Prediction for Semi-Supervised 3D Object
Detection [76.42897462051067]
3DIoUMatchは屋内および屋外の場面両方に適当3D目的の検出のための新しい半監視された方法です。
教師と教師の相互学習の枠組みを活用し,ラベル付けされていない列車の情報を擬似ラベルの形で伝達する。
本手法は,ScanNetとSUN-RGBDのベンチマークにおける最先端の手法を,全てのラベル比で有意差で継続的に改善する。
論文 参考訳（メタデータ） (2020-12-08T11:06:26Z)
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。