Fugu-MT 論文翻訳(概要): Edge Phoneme Recognition for Children's Speech through Age-Aware Training

論文の概要: Edge Phoneme Recognition for Children's Speech through Age-Aware Training

arxiv url: http://arxiv.org/abs/2608.10206v1
Date: Mon, 10 Aug 2026 20:20:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.806937
Title: Edge Phoneme Recognition for Children's Speech through Age-Aware Training
Title（参考訳）: 年齢対応学習による子どもの音声のエッジ音素認識
Abstract要約: 我々は,学習者の年齢や音素配列を予測するために,軽量なモデルを訓練する。これによってPhonemeTrainerは、現代の携帯電話で動くアプリケーションだ。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Detecting phonemes from children's speech has historically been difficult due to the scarcity of training data, and unique characteristics of children's speech. During a phoneme detection competition, we found that training a lightweight model to predict the age of the learner, as well as the phoneme sequence, enabled a 94M-parameter model to outperform WavLM Large models (317M) on the target DrivenData distribution, and fall within approximately 0.04 CER of competition ensembles with 90 times the parameters. This has enabled the creation of PhonemeTrainer, an application that can run on most modern cellular phones. This will ultimately enable better Automated Speech Recognition (ASR) and pronunciation helper apps for children's speech, with the privacy and compliance benefits that come with edge processing.
Abstract（参考訳）: 子どもの発話から音素を検出することは, 学習データの不足や, 子どもの発話の特徴から, 歴史的に困難であった。音素検出コンテストでは,学習者の年齢および音素配列を予測するための軽量モデルのトレーニングを行い,94Mパラメータモデルで対象のDrivenData分布上でのWavLM大モデル(317M)を上回り,90倍のパラメータで約0.04 CER以内に収まることを確認した。これによってPhonemeTrainerは、現代の携帯電話で動くアプリケーションだ。これにより、エッジ処理によるプライバシーとコンプライアンスのメリットにより、最終的にはASR(Automated Speech Recognition)と、子供のスピーチのための発音支援アプリの改善が可能になる。

関連論文リスト

Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet [72.53502346791814]
データセット、SSL表現(WavLM、XEUS)、デコーダアーキテクチャ間のフラットスタートトレーニングを比較した。 SSL表現は成人のスピーチに偏りがあり、子どものスピーチに対するフラットスタートトレーニングはこれらのバイアスを緩和する。年齢関連ASRと話者検証分析は、プロプライエタリモデルの限界を強調している。
論文参考訳（メタデータ） (2025-08-22T17:59:35Z)
Self-Supervised Models for Phoneme Recognition: Applications in Children's Speech for Reading Learning [9.670752318129326]
まず, フランス語音声における音素認識に適応したwav2vec 2.0, HuBERT, WavLMモデルを比較した。次に,子音の微調整中に変圧器ブロックを解凍することで適応する。 We show that WavLM base+ is more robust to various reading task and noise levels。
論文参考訳（メタデータ） (2025-03-06T18:57:16Z)
Distilling an End-to-End Voice Assistant Without Instruction Training Data [53.524071162124464]
Distilled Voice Assistant (DiVA)は、質問応答、分類、翻訳を一般化する。 Qwen 2 Audioのような最先端のモデルと比較すると,DiVAはユーザの好みによく適合し,72%の勝利率を達成した。
論文参考訳（メタデータ） (2024-10-03T17:04:48Z)
Child Speech Recognition in Human-Robot Interaction: Problem Solved? [0.024739484546803334]
我々は、2017年からの子どもの音声認識に関する研究を再考し、実際に性能が向上したことを示す。 Newcomer OpenAI Whisperは、主要な商用クラウドサービスよりもはるかに優れている。転写はまだ完璧ではないが、最高のモデルは文の60.3%を正しく認識し、小さな文法的な違いを抑える。
論文参考訳（メタデータ） (2024-04-26T13:14:28Z)
End-to-End real time tracking of children's reading with pointer network [11.362681035467121]
子どもの声に対して,リアルタイムの読み上げトラッカーを効率的に構築する方法を示す。我々は、ストリーミング音声に条件付き真実文の位置を直接予測するポインタネットワークを採用している。我々の最良のモデルは、87.8%の精度で、CMUキッズのデータで77.1%の精度で、より困難で不自由な子供のスピーチを正確に追跡することができる。
論文参考訳（メタデータ） (2023-10-17T16:12:18Z)
Weakly-supervised Automated Audio Captioning via text only training [1.504795651143257]
本稿では,テキストデータと事前学習されたCLAPモデルのみを前提として,AACモデルをトレーニングするための弱い教師付きアプローチを提案する。提案手法をClosoとAudioCapsのデータセット上で評価し,完全に教師されたアプローチと比較して,最大83%の相対的な性能を実現する能力を示した。
論文参考訳（メタデータ） (2023-09-21T16:40:46Z)
Voxtlm: unified decoder-only models for consolidating speech recognition/synthesis and speech/text continuation tasks [61.3055230762097]
音声認識,音声合成,テキスト生成,音声継続の4つのタスクを実行できるデコーダのみの言語モデルであるVoxtLMを提案する。 VoxtLMは、テキスト語彙を自己教師付き音声特徴から独立した音声トークンと統合し、マルチタスク学習を可能にするために特別なトークンを使用する。
論文参考訳（メタデータ） (2023-09-14T03:13:18Z)
SpeechLM: Enhanced Speech Pre-Training with Unpaired Textual Data [100.46303484627045]
本稿では,事前定義した統一表現と音声とテキストの事前学習を協調させるクロスモーダル音声言語モデル(SpeechLM)を提案する。具体的には、音声とテキストのモダリティをブリッジするために、2つの別の離散トークン化器を導入する。音声認識, 音声翻訳, ユニバーサル表現評価フレームワーク SUPERB など, 様々な音声言語処理タスクにおける音声LM の評価を行った。
論文参考訳（メタデータ） (2022-09-30T09:12:10Z)
Few-Shot Cross-Lingual TTS Using Transferable Phoneme Embedding [55.989376102986654]
本稿では,言語間テキスト-音声間問題に対処するための移動可能な音素埋め込みフレームワークについて,数ショット設定で検討する。本稿では,音素ベースのTSモデルと,異なる言語からの音素を学習潜在空間に投影するコードブックモジュールからなるフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-27T11:24:40Z)
Mixed-Phoneme BERT: Improving BERT with Mixed Phoneme and Sup-Phoneme Representations for Text to Speech [104.65639892109381]
学習能力を高めるために,音素と音素の混合表現を用いたBERTモデルの新たな変種であるMixedPhoneme BERTを提案する。実験の結果,提案したMixed-Phoneme BERTは,FastSpeech 2ベースラインと比較して0.30CMOSゲインでTTS性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2022-03-31T17:12:26Z)
Real-time low-resource phoneme recognition on edge devices [0.0]
本稿では,音声認識のためのモデルの作成とトレーニングについて述べる。トレーニングモデルが任意の言語を認識し、携帯電話や車載ディスプレイなどのエッジデバイスにデプロイすることで、高速なリアルタイム音声認識を可能にする。
論文参考訳（メタデータ） (2021-03-25T17:34:59Z)
Towards Zero-shot Learning for Automatic Phonemic Transcription [82.9910512414173]
より難しい問題は、トレーニングデータをゼロにする言語のための音素変換器を構築することだ。我々のモデルは、トレーニングデータなしで、ターゲット言語で見知らぬ音素を認識できる。標準的な多言語モデルよりも平均して7.7%の音素誤り率を実現している。
論文参考訳（メタデータ） (2020-02-26T20:38:42Z)

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。