論文の概要: ASR-Roundtrip Evaluation Can Mask Context- and Convention-Dependent Reading Errors in Chinese News TTS
- arxiv url: http://arxiv.org/abs/2608.10606v1
- Date: Tue, 11 Aug 2026 07:49:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.952734
- Title: ASR-Roundtrip Evaluation Can Mask Context- and Convention-Dependent Reading Errors in Chinese News TTS
- Title（参考訳）: ASR-Roundtrip評価は中国語ニュースTTSにおけるコンテキストおよびコンベンション依存読影誤差をマスクできる
- Abstract要約: 我々は、正しい読みがコンテキストやドメインの慣行に依存する中国語ニュースTTSについて研究する。
これらの場合、Raw TTSは可読だが誤った読み方を選ぶことができるが、ASRは意図的または表面修正されたテキストとしてオーディオを書き起こす。
ASRラウンドトリップはスクリーニングには有用であるが,中国語ニュース読取リスク評価にはスタンドアローンの真実として不十分である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: ASR-roundtrip evaluation is widely used as a scalable proxy for text-to-speech (TTS) intelligibility, but it can produce false negatives for reading errors perceived by listeners. We study Chinese news TTS spans whose correct reading depends on context or domain conventions, such as sports scores, aircraft models, technical units, and membership names. In these cases, Raw TTS can choose a plausible but wrong reading while ASR transcribes the audio as the intended or surface-correct text. A targeted audit over 110 high-risk MiMo TTS cases, reported with a complete denominator, confirms 46 masked false negatives, 9 exposed TTS errors, and 55 cases with no Raw TTS error. A span-isolation diagnostic re-exposes 18/46 previously masked errors. A Raw-only CosyVoice audit on the same targeted pool confirms 51 masked cases. Across the 97 TTS-specific audio files labeled confirmed masked across the two audits, Qwen3-ASR surface-recovers 40 cases, whereas Paraformer does so in only 2. The results suggest that ASR-roundtrip is useful for screening but insufficient as standalone ground truth for Chinese news reading-risk evaluation.
- Abstract（参考訳）: ASRラウンドトリップ評価は,TTS(text-to-Speech)インテリジェンスのためのスケーラブルなプロキシとして広く利用されているが,リスナーが認識する誤りの読み出しには誤りが生じる可能性がある。
スポーツスコア、航空機モデル、技術ユニット、会員名など、適切な読みがコンテキストやドメインの慣例に依存する中国のニュースTTSについて検討する。
これらの場合、Raw TTSは可読だが誤った読み方を選ぶことができるが、ASRは意図的または表面修正されたテキストとしてオーディオを書き起こす。
対象は110件以上のハイリスクなMiMo TTS症例で、完全判別器で報告され、46件の偽陰性、9件のTTSエラー、Raw TTSエラーのない55件が確認された。
スパンアイソレーション診断は18/46以前の誤りをマスクする。
同じターゲットプールのCosyVoice監査では、51件のマスクされたケースが確認された。
Qwen3-ASRでは40例,Paraformerでは2。
その結果,ASRラウンドトリップはスクリーニングに有用であるが,中国語ニュース読取リスク評価にはスタンドアローンの真実として不十分であることが示唆された。
関連論文リスト
- Prosody-driven Jailbreaks in Audio LLMs: A Controlled Study and Mechanistic Analysis [2.490194241610381]
音声配信におけるテキストの一致変化から, 脱獄能力がどの程度生じるかを検討する。
PJ-Breakは, 覚醒, 権威, 発話率を目標とした, 予め設定したブラックボックス評価プロトコルである。
全体として、一致したテキストによる音声の配信は、オーディオLLMの安全性評価において第一級の要素として扱われるべきである。
論文 参考訳（メタデータ） (2026-07-29T07:12:44Z) - SN-WER: Script-Normalized WER for Multi-Script Indic ASR Evaluation [0.8243795440723053]
Script-Normalized WER (SN-WER) は、トレーニングフリーで評価のみのスコアリング手法である。
SN-WERを5つのIndic言語、2つのデータセット、3つのASRモデルで評価した。
論文 参考訳（メタデータ） (2026-06-01T17:49:10Z) - PashtoTTS-Bench: automated screening for low-resource non-Latin-script text-to-speech [0.0]
単一ASRラウンドトリップ単語誤り率(WER)に依存する低リソース非ラテン文字言語に対するテキスト音声による評価は失敗する可能性がある
これらのケースを分離するレポートフレームワークであるINSVを紹介します。
我々は、Pashto TTSのベンチマークであるPashtoTTS-BenchとしてINSV-Aをインスタンス化する。
論文 参考訳（メタデータ） (2026-05-26T13:03:20Z) - Synthetic Voices, Real Threats: Evaluating Large Text-to-Speech Models in Generating Harmful Audio [63.18443674004945]
この研究は、TSシステムを利用して有害なコンテンツを含む音声を生成する、コンテンツ中心の脅威を探究する。
HARMGENは、これらの課題に対処する2つのファミリーにまとめられた5つの攻撃群である。
論文 参考訳（メタデータ） (2025-11-14T03:00:04Z) - Error Correction by Paying Attention to Both Acoustic and Confidence References for Automatic Speech Recognition [52.624909026294105]
本稿では,非自己回帰型音声誤り訂正法を提案する。
信頼モジュールは、N-best ASR仮説の各単語の不確実性を測定する。
提案方式は,ASRモデルと比較して誤差率を21%削減する。
論文 参考訳（メタデータ） (2024-06-29T17:56:28Z) - Prosody in Cascade and Direct Speech-to-Text Translation: a case study
on Korean Wh-Phrases [79.07111754406841]
本研究は,韻律が重要な役割を果たす発話を明瞭にするための直接S2TTシステムの能力を評価するために,コントラスト評価を用いることを提案する。
本結果は,カスケード翻訳モデルよりも直接翻訳システムの価値を明確に示すものである。
論文 参考訳（メタデータ） (2024-02-01T14:46:35Z) - Synthesizing Speech Test Cases with Text-to-Speech? An Empirical Study
on the False Alarms in Automated Speech Recognition Testing [8.01401335864383]
4つのTSシステムから生成された合成音声と2つのデータセットから得られた人間の音声を用いて、一般的な5つのASRシステムにおける誤警報の発生について検討した。
以上の結果から,Deepspeechでは誤報が最少であり,Wav2vec2では誤報が最多であることが判明した。
TTSシステムの中で、Google TTSは最小数の偽アラーム(17%)を生成し、Espeak TTSは4つのTSシステムの中で最も多くの偽アラーム(32%)を生成する。
論文 参考訳（メタデータ） (2023-05-27T11:07:50Z) - Code-Switching Text Generation and Injection in Mandarin-English ASR [57.57570417273262]
業界で広く使われているストリーミングモデルTransformer-Transducer(T-T)の性能向上のためのテキスト生成とインジェクションについて検討する。
まず、コードスイッチングテキストデータを生成し、テキスト-to-Speech(TTS)変換または暗黙的に音声とテキストの潜在空間を結び付けることによって、T-Tモデルに生成されたテキストを明示的に注入する戦略を提案する。
実際のマンダリン・イングリッシュ音声の1,800時間を含むデータセットを用いて訓練したT-Tモデルの実験結果から,生成したコードスイッチングテキストを注入する手法により,T-Tモデルの性能が著しく向上することが示された。
論文 参考訳（メタデータ） (2023-03-20T09:13:27Z) - AdaSpeech 2: Adaptive Text to Speech with Untranscribed Data [115.38309338462588]
AdaSpeech 2 は、未転写音声データのみを適応に利用する適応型 TTS システムである。
具体的には,よく訓練されたttsモデルにmel-spectrogramエンコーダを導入し,音声再構成を行う。
適応では,ttsデコーダのみを微調整し,未書き起こし音声データを用いて音声再構成を行う。
論文 参考訳（メタデータ） (2021-04-20T01:53:30Z) - Learning Speaker Embedding from Text-to-Speech [59.80309164404974]
我々は,エンドツーエンドのTacotron 2 TTSと話者埋め込みネットワークを,自己指導型で共同で訓練した。
本研究は,手書き文字とASR書き起こし文字のトレーニングについて検討した。
教師なしTS埋め込みは、LibriTTSデータセットのi-vectorに関して、EERを2.06%改善した。
論文 参考訳（メタデータ） (2020-10-21T18:03:16Z)
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。