論文の概要: Benchmarking Human and Automatic Speech Recognition of Diverse Speech: Initial Results
- arxiv url: http://arxiv.org/abs/2607.19049v1
- Date: Tue, 21 Jul 2026 12:37:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.425421
- Title: Benchmarking Human and Automatic Speech Recognition of Diverse Speech: Initial Results
- Title（参考訳）: 対話音声の人間と自動音声認識のベンチマーク:初期結果
- Abstract要約: オランダの母語話者と最先端のASRシステムを比較し,「異種」音声の認識について検討した。
Google Telephonyは、他のASRシステムより優れていた。
話者の年齢と地域アクセントに関連し,聴取者とASRシステム間の性能差がみられた。
- 参考スコア（独自算出の注目度）: 11.972180644020483
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Humans are often considered to be the best listeners and seen as the upper-bound performance of automatic speech recognition (ASR) systems. We present a preliminary comparison of the performances of state-of-the-art ASR systems and Dutch native listeners on the recognition of "diverse" speech, specifically Dutch child and older adults' speech and Flemish. Google Telephony outperformed the other ASR systems. Importantly, the ASR systems showed similar performance to the listeners, and in specific cases even outperformed them. Slight performance differences between the listeners and ASR systems were found related to speaker's age and regional accents and utterance length. Future research should focus on making ASR systems more robust to acoustic variability related to aging and regional accents. A comparison of ASR recognition performances on the test stimuli and the full Jasmin-CGN test sets showed the influence of the specific test sets on the conclusions regarding benchmarking human and ASR performance.
- Abstract（参考訳）: 人間は、しばしば最高の聴取者と見なされ、自動音声認識(ASR)システムの上限性能と見なされる。
本稿では,オランダ語母語話者と最先端のASRシステムの性能について,オランダ語母語話者とオランダ語母語母語話者,特にオランダ語母語母語話者とオランダ語母語母語母語話者の認識に関する予備的比較を行った。
Google Telephonyは、他のASRシステムより優れていた。
重要なことに、ASRシステムはリスナーに類似した性能を示し、特定の場合にはその性能よりも優れていた。
話者の年齢, 地域アクセント, 発話長に関連し, 聞き手とASRシステムとの違いがみられた。
今後の研究は、老化や地域アクセントに関連する音響的変動に対して、ASRシステムをより堅牢にすることに焦点を当てるべきである。
テスト刺激に対するASR認識性能と全Jasmin-CGNテストセットとの比較により,ヒトとASRのベンチマーク結果に対する特定のテストセットの影響が示された。
関連論文リスト
- RW-Voice-EQ Bench: A Real World Benchmark for Evaluating Voice AI Systems [5.434878413067881]
テキスト音声(TTS)、音声音声(STS)、音声理解(SU)、音声認識(ASR)による音声AI評価のための多次元ベンチマークであるReal World Voice EQ Benchを紹介する。
評価の結果, 性能は高次元比であることが示唆された。
論文 参考訳（メタデータ） (2026-07-16T11:15:16Z) - 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) - How to Evaluate Automatic Speech Recognition: Comparing Different Performance and Bias Measures [15.722009470067974]
オランダ語におけるエンドツーエンドのASRシステムを評価するため,文献と提案から,異なる性能とバイアスの尺度を比較した。
この結果は、ASR研究の標準である平均誤差率だけでは不十分であり、他の手段で補う必要があることを示している。
この論文は、多様な話者グループに対するシステムのパフォーマンスをより良く表現するために、ASRのパフォーマンスとバイアスを報告するための勧告で締めくくられる。
論文 参考訳（メタデータ） (2025-07-08T11:17:13Z) - ASR Benchmarking: Need for a More Representative Conversational Dataset [3.017953715883516]
本研究では、大人同士の非構造的な会話からなる、TalkBankから派生した多言語会話データセットを提案する。
その結果,会話環境下でのテストでは,様々な最先端のASRモデルに対して顕著な性能低下がみられた。
論文 参考訳（メタデータ） (2024-09-18T15:03:04Z) - Reexamining Racial Disparities in Automatic Speech Recognition Performance: The Role of Confounding by Provenance [7.882996636086014]
自動音声認識(ASR)モデルとその使用法は公平かつ公平であることが重要である。
この研究は、現在の最先端のニューラルネットワークベースのASRシステムの性能を調べることによって、この格差の根底にある要因を理解することを目的としている。
論文 参考訳（メタデータ） (2024-07-19T02:14:17Z) - Layer-Wise Analysis of Self-Supervised Acoustic Word Embeddings: A Study
on Speech Emotion Recognition [54.952250732643115]
連続表現から派生した長さの固定長特徴である音響単語埋め込み(AWE)について検討し,その利点について検討した。
AWEは以前、音響的識別可能性の把握に有用であることを示した。
以上の結果から,AWEが伝達する音響的文脈が明らかになり,高い競争力を持つ音声認識精度が示された。
論文 参考訳（メタデータ） (2024-02-04T21:24:54Z) - ASR data augmentation in low-resource settings using cross-lingual
multi-speaker TTS and cross-lingual voice conversion [49.617722668505834]
提案手法は,モデル学習中に1つの話者のみを用いて音声合成と音声変換を行い,ASRシステムの改善を可能にする。
対象言語における1つの実話者のみを用いてデータ拡張法を用いて、有望なASRトレーニング結果を得ることが可能である。
論文 参考訳（メタデータ） (2022-03-29T11:55:30Z) - A study on native American English speech recognition by Indian
listeners with varying word familiarity level [62.14295630922855]
発声を認識している間、各聴取者から3種類の応答が得られます。
これらの転写から単語誤り率(WER)を算出し、認識された文と原文との類似性を評価する指標として用いる。
話者のナティビティの賢明な分析は、一部のナティビティの話者からの発声が、他のいくつかのナティビティに比べてインド人のリスナーによって認識されるのが困難であることを示している。
論文 参考訳（メタデータ） (2021-12-08T07:43:38Z) - An Exploration of Self-Supervised Pretrained Representations for
End-to-End Speech Recognition [98.70304981174748]
本稿では,事前訓練された音声表現の一般応用,高度なエンドツーエンド自動音声認識(E2E-ASR)モデルに焦点をあてる。
いくつかの事前訓練された音声表現を選択し、E2E-ASRのための様々なオープンソースおよび公開コーパスの実験結果を示す。
論文 参考訳（メタデータ） (2021-10-09T15:06:09Z) - Accented Speech Recognition: A Survey [0.0]
本稿では,アクセント音声認識に対する現在有望なアプローチに関する調査を行う。
その結果、アクセント間のASRパフォーマンスのバイアスは、ASRのユーザとプロバイダの両方にコストがかかる。
論文 参考訳（メタデータ） (2021-04-21T20:21:06Z) - Arabic Speech Recognition by End-to-End, Modular Systems and Human [56.96327247226586]
我々は、エンドツーエンド変換器ASR、モジュール型HMM-DNN ASR、および人間の音声認識のための包括的なベンチマークを行う。
ASRでは、エンドツーエンドの作業が12.5%、27.5%、23.8%のWERとなり、それぞれMGB2、MGB3、MGB5の新たなパフォーマンスマイルストーンとなった。
以上の結果から,アラビア語における人的パフォーマンスは,平均3.6%のWERギャップを持つ機械に比べて,依然としてかなり優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-01-21T05:55:29Z)
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。