論文の概要: Simple Language Normalization Wins: Cross-Lingual Speaker Verification for the TidyVoice 2026 Challenge
- arxiv url: http://arxiv.org/abs/2607.22923v1
- Date: Fri, 24 Jul 2026 21:23:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.928313
- Title: Simple Language Normalization Wins: Cross-Lingual Speaker Verification for the TidyVoice 2026 Challenge
- Title（参考訳）: シンプルな言語の正規化が勝利: TidyVoice 2026 Challengeの言語間話者検証
- Abstract要約: 言語間ミスマッチは、現代の話者検証における全体的な劣化の重要な原因である。
TidyVoice2026 Challengeは、40言語で3,666のトレーニングと808の開発スピーカーを含む、テキストに依存しない検証によって、この設定をターゲットにしている。
- 参考スコア（独自算出の注目度）: 0.533024001730262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-lingual mismatch remains a key source of overall degradation in modern speaker verification. The TidyVoice2026 Challenge targets this setting with text-independent verification, comprising 3,666 training and 808 development speakers in 40 languages and 2,200 evaluation speakers in 38 unseen languages, without language labels at test time. Starting from the official SimAM-ResNet34 baseline pretrained on VoxBlink2 and VoxCeleb2 and fine-tuned on TidyVoice, we revisit Nuisance Attribute Projection (NAP) as a simple language-normalization step in the embedding space. We estimate a compact language subspace from cross-language same-speaker differences and project embeddings onto its orthogonal complement before cosine scoring with Adaptive Symmetric score normalization. This reduces development EER from 2.97\% with cosine and 2.70\% with AS-Norm to 2.18\% and yields a Codabench evaluation score of 8.40, showing that simple back-end language normalization can rival more complex systems.
- Abstract（参考訳）: 言語間ミスマッチは、現代の話者検証における全体的な劣化の重要な原因である。
TidyVoice2026 Challengeはこの設定を、テスト時に言語ラベルなしで、40言語で3,666のトレーニングと808人の開発スピーカー、38言語で2,200人の評価スピーカーを含む、テキストに依存しない検証でターゲットとしている。
VoxBlink2とVoxCeleb2で事前訓練され、TidyVoiceで微調整された公式のSimAM-ResNet34ベースラインから始まり、埋め込み空間における単純な言語正規化ステップとしてNuisance Attribute Projection (NAP)を再検討する。
我々は,適応対称スコア正規化によるコサインスコアの前に,言語間の共通話者差からコンパクト言語部分空間を推定し,その直交補数にプロジェクト埋め込みを行う。
これにより、開発EERはコサインで 2.97 %、AS-Normで 2.70 % から 2.18 % に減少し、Codabench の評価スコアは 8.40 となり、単純なバックエンド言語の正規化はより複雑なシステムに匹敵することを示した。
関連論文リスト
- SEAR: Segment-Evidence-Aware Routing for Weak-to-Strong Multilingual Speech MCQ [0.0]
本稿では,第2回MLC-SLMチャレンジのタスク2について述べる。
言語モデルは、タイムスタンプ付きASRをコヒーレントなイベントスパンに変換する。
テキストのみのプローブは、データを教師付き微調整や強化学習に用いられる強い音声依存アイテムに分割する。
論文 参考訳（メタデータ） (2026-09-10T10:38:19Z) - 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) - Evaluation of forced alignment of code-mixed speech: the case of Hindi-English [5.706697761527132]
モントリオール強制アリグナーを用いて,ヒンディー語と英語の符号化音声の強制アライメントを評価する。
我々は、母語対非母語対を含む自由なばらつきと、中間発話英単語の音素境界検出という2つの問題に対処する。
論文 参考訳（メタデータ） (2026-07-28T11:08:05Z) - KIT's Submission to Cross-Lingual Voice Cloning in IWSLT 2026 [61.29502937013759]
言語間音声のクローニングは、ソース言語参照から話者識別を保ちながら、ターゲット言語で音声を生成することを目的としている。
鍵となる課題は、アクセントの変化とドメイン固有の語彙の存在において、知性と自然性を維持することである。
我々は、多言語テキスト音声モデル、FishAudio-S2-Proを構築し、言語制御を改善しアクセントリークを低減するために、言語タグプロンプトを導入する。
論文 参考訳（メタデータ） (2026-06-05T13:09:21Z) - Voxtral TTS [165.32470621561097]
Voxtral TTSは、3秒の参照音声から自然な音声を生成する。
声帯TSは、その自然性や表現性から多言語音声のクローニングに好まれる。
論文 参考訳（メタデータ） (2026-03-26T15:23:34Z) - Bilingual Text-to-Motion Generation: A New Benchmark and Baselines [52.71312720094036]
LLMアノテーションと厳密な手動修正によって構築されたバイリンガルテキスト・モーション・ベンチマークであるBiHumanML3Dを紹介する。
また,CLA(Cross-Lingual Alignment)を用いたバイリンガルモーション拡散合成(BiMD)を提案する。
CLA を用いた BiMD は 0.045 対 0.169 対 R@3 対 80.8% の FID を達成し、単言語拡散モデルと BiHumanML3D の翻訳ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-03-26T08:48:27Z) - CS3-Bench: Evaluating and Enhancing Speech-to-Speech LLMs for Mandarin-English Code-Switching [31.584937435966253]
我々はCS3-Bench(Code-Switching Speech-to-Speech Benchmark)を提案する。
7つの主流モデルに関する実験は、知識集約的な質問応答の相対的なパフォーマンス低下を66%まで示している。
提案手法は, 知識の精度を25.14%から46.13%に改善し, オープンエンド理解率を64.5%から86.5%に改善し, 第二言語における発音誤りを大幅に低減する。
論文 参考訳（メタデータ） (2025-10-09T07:34:23Z) - The ML-SUPERB 2.0 Challenge: Towards Inclusive ASR Benchmarking for All Language Varieties [107.57160730151975]
我々は200以上の言語、アクセント、方言のデータからなる新しいテストスイートを構築し、SOTA多言語音声モデルを評価する。
その結果, LIDの精度は23%, CERは18%向上した。
アクセントと方言のデータでは、最も良い提出は30.2%低いCERと15.7%高いLIDの精度を得た。
論文 参考訳（メタデータ） (2025-09-08T18:42:36Z) - LatinX: Aligning a Multilingual TTS Model with Direct Preference Optimization [0.0]
音声合成のための多言語テキスト音声合成(TTS)モデルであるLatticXを提案する。
ラテンXは、(i)テキスト音声マッピングのための事前トレーニング、(ii)ゼロショット音声クローンのための微調整の監督、(iii)ダイレクト優先度最適化とのアライメントの3段階で訓練されている。
論文 参考訳（メタデータ） (2025-09-06T23:36:30Z) - Optimizing Multilingual Text-To-Speech with Accents & Emotions [0.0]
本稿では,アクセントを付加した新しいTSアーキテクチャを提案する。
本稿では,言語固有の音素アライメント型エンコーダ-デコーダアーキテクチャを統合することで,Parler-TTSモデルを拡張した。
テストでは、アクセント精度が23.7%改善し、ネイティブリスナーによる感情認識精度が85.3%向上した。
論文 参考訳（メタデータ） (2025-06-19T13:35:05Z) - Multilingual self-supervised speech representations improve the speech
recognition of low-resource African languages with codeswitching [65.74653592668743]
微細な自己教師型多言語表現は絶対単語誤り率を最大20%削減する。
訓練データに制限のある状況では、自己教師付き表現を微調整することが、より良いパフォーマンスと実行可能なソリューションである。
論文 参考訳（メタデータ） (2023-11-25T17:05:21Z) - ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text
Translation [79.66359274050885]
公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。
提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
論文 参考訳（メタデータ） (2023-05-24T07:42:15Z) - Cross-lingual Low Resource Speaker Adaptation Using Phonological
Features [2.8080708404213373]
我々は、異なる言語に共通する音韻的特徴のセットに基づいて、言語に依存しないマルチスピーカモデルを訓練する。
対象話者データの32と8の発声で、対応する文献に匹敵する高い話者類似度スコアと自然性を得る。
論文 参考訳（メタデータ） (2021-11-17T12:33:42Z) - Transfer Learning from Monolingual ASR to Transcription-free
Cross-lingual Voice Conversion [0.0]
言語間音声変換は、ソース話者とターゲット話者が異なる言語で話す間、同じ内容のターゲット音声を合成することを目的としたタスクである。
本稿では,モノリン言語ASRから言語間VCへの知識伝達に着目した。
外国語音声の書き起こしや言語固有の知識を必要とせず,言語間VCの対応に成功している。
論文 参考訳（メタデータ） (2020-09-30T13:44:35Z)
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。