論文の概要: Constrained CTC Decoding for Efficient Diacritic Restoration
- arxiv url: http://arxiv.org/abs/2607.18946v1
- Date: Tue, 21 Jul 2026 10:30:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.394451
- Title: Constrained CTC Decoding for Efficient Diacritic Restoration
- Title（参考訳）: 効率的な発音回復のための制約付きCTC復号法
- Abstract要約: Connectionist Temporal Classification (CTC) に基づく音声からテキストへのダイアクリプションのための効率的な非自己回帰手法を提案する。
本手法は, 文字レベル記述格子を構成することで, 復号中にハード制約を組み込む。
ダイアクリティカルな誤り率の統計的に有意な減少を示し、提案手法が性能と効率性の両方をもたらすことを示した。
- 参考スコア（独自算出の注目度）: 8.2115280504309
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we address diacritic restoration for Arabic speech transcripts. Most speech data are undiacritized, limiting the ability of modeling fine-grained phonological distinctions. The speech modality has recently been explored as a way to complement text-based diacritic restoration efforts. We propose an efficient non-autoregressive approach for speech-to-text diacritization based on Connectionist Temporal Classification (CTC). Our method incorporates hard constraints during decoding by constructing a character-level diacritization lattice from an undiacritized transcript and restricting hypotheses to valid diacritized realizations. We evaluate on Classical Arabic and Modern Standard Arabic test sets (namely, ArVoice and ClArTTS) against a more computationally-complex multi-modal diacritic restoration baseline, and show statistically significant reductions in diacritic error rates in both, demonstrating that the proposed approach offers both performance and efficiency gains.
- Abstract（参考訳）: 本研究はアラビア語の音声書き起こしのダイアクリティカルな復元について述べる。
ほとんどの音声データは、未分類であり、微細な音韻的区別をモデル化する能力を制限する。
音声のモダリティは、テキストベースのダイアクリティカルな復元を補完する方法として、近年研究されている。
本稿では,コネクショニスト時間分類(CTC)に基づく音声からテキストへのダイアクリプションのための非自己回帰的手法を提案する。
本手法は, 文字レベルのダイアクリプティフィケーション格子を非ダイアクリプティフィケーションから構築し, 有効なダイアクリプティフィケーションの実現に仮説を限定することにより, 復号中にハード制約を組み込む。
古典アラビア語と現代アラビア語の標準アラビア語テストセット(ArVoiceとClArTTS)を,より計算に複雑で複雑な多モードのダイアクリティカルな復元基準に対して評価し,両者で統計的に有意な誤り率の低下を示し,提案手法が性能と効率の両面で有益であることを実証した。
関連論文リスト
- Transcription Policy as a Latent Variable: Activating Controllable Verbatim ASR with Word-Level Timing [8.921166277011347]
モデルが既に両方のスタイルを符号化していることを示し、その課題はアクティベーションを制御することである。
パラレルな冗長/意図された転写文字ペアで訓練されたカバレッジ対応デコーダタスクトークンを用いて、ドイツの拡散F1を10%から79%ゼロショットに引き上げる。
完全な英語のみの微調整は、動詞の精度、拡散検出、および両方の言語にわたる意図されたモードの品質において、すべてのベースラインを超えている。
論文 参考訳（メタデータ） (2026-07-21T10:19:17Z) - The Degree of Language Diacriticity and Its Effect on Tasks [8.254230288283258]
ダイアクリティカルな複雑性を定量化するためのデータ駆動型フレームワークを提案する。
我々はこのメトリクスを15言語で24コーパスで計算し、単一のスクリプトとマルチダイアクリティカルなスクリプトの両方にまたがる。
言語全体において、高いダイアクリティカルな複雑さは、修復精度の低下と強く関連していることがわかった。
論文 参考訳（メタデータ） (2026-03-29T12:04:38Z) - AQAScore: Evaluating Semantic Alignment in Text-to-Audio Generation via Audio Question Answering [97.52852990265136]
音声対応大規模言語モデルの推論機能を活用するバックボーン非依存評価フレームワークであるAQAScoreを紹介する。
AQAScoreは人格関連性、ペア比較、構成推論タスクを含む複数のベンチマークで評価する。
論文 参考訳（メタデータ） (2026-01-21T07:35:36Z) - WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。
我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。
改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
論文 参考訳（メタデータ） (2026-01-08T02:23:21Z) - Context-Aware Whisper for Arabic ASR Under Linguistic Varieties [27.039946482465268]
そこで我々は,OpenAIのWhisperをアラビア音声認識に適用するための文脈認識戦略を提案する。
本稿では, アクセシブリオーダー, 話者対応プレフィックス合成, モーダリティ特化検索などの手法を紹介する。
我々のアプローチは、WERを現代標準アラビア語で最大22.3%、方言言語で最大9.2%削減する。
論文 参考訳（メタデータ） (2025-11-24T05:16:04Z) - Automatic Restoration of Diacritics for Speech Data Sets [1.81336359426598]
パラレル音声を用いた音声データに適用することで,自動発音復元の性能向上の可能性を検討する。
我々は、比較的少量のアラビア語音声データに基づいて、事前学習したWhisper ASRモデルを用いて、音声発話に粗い発音書き起こしを生成する。
提案するフレームワークは,テキストのみのベースラインに比べて,ダイアクリティカルな復元性能を一貫して向上させる。
論文 参考訳（メタデータ） (2023-11-15T19:24:54Z) - 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) - Weakly-supervised forced alignment of disfluent speech using
phoneme-level modeling [10.283092375534311]
重み付き有限状態変換器を用いたアライメントグラフの構成法を提案する。
提案手法は, 強制アライメントのための音声不一致の動詞的書き起こしの必要性を軽減する。
TIMITテストセットとUCLASSデータセットの劣化バージョンについて評価したところ,大幅な改善が見られた。
論文 参考訳（メタデータ） (2023-05-30T09:57:36Z) - CTC Alignments Improve Autoregressive Translation [145.90587287444976]
我々はCTCが共同のCTC/アテンションフレームワークに適用された場合、実際に翻訳に意味があることを論じる。
提案した共同CTC/アテンションモデルは6つのベンチマーク翻訳タスクにおいて純粋アテンションベースラインを上回った。
論文 参考訳（メタデータ） (2022-10-11T07:13:50Z) - Speaker Embedding-aware Neural Diarization for Flexible Number of
Speakers with Textual Information [55.75018546938499]
本稿では,話者埋め込み認識型ニューラルダイアリゼーション(SEND)手法を提案する。
本手法は,ターゲット話者の音声活動検出よりも低いダイアリゼーション誤差率を実現する。
論文 参考訳（メタデータ） (2021-11-28T12:51:04Z) - Investigating the Reordering Capability in CTC-based Non-Autoregressive
End-to-End Speech Translation [62.943925893616196]
接続型時間分類(CTC)を用いた非回帰型音声-テキスト翻訳モデルの構築の可能性について検討する。
CTCの翻訳における成功は単調な仮定のため直感に反するため,再順序化能力の解析を行う。
解析の結果、トランスフォーマーエンコーダは単語の順序を変えることができることがわかった。
論文 参考訳（メタデータ） (2021-05-11T07:48:45Z)
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。