論文の概要: myMediWhisper: Construction of Burmese Medical Speech Corpus and Whisper Fine-Tuning for Clinical Dialogue ASR
- arxiv url: http://arxiv.org/abs/2608.11036v1
- Date: Tue, 11 Aug 2026 15:12:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.098831
- Title: myMediWhisper: Construction of Burmese Medical Speech Corpus and Whisper Fine-Tuning for Clinical Dialogue ASR
- Title（参考訳）: myMediWhisper: ビルマ医療音声コーパスの構築と臨床対話ASRのためのwhisperファインチューニング
- Abstract要約: 本研究は,母語話者が記録・検証した高品質な28時間コーパスに基づくビルマの医療音声認識フレームワークを提案する。
We fine-tune Whisper model using full fine-tuning (FFT) and parameter-efficient fine-tuning (PEFT) with LoRA。
頑健性を評価するため,制御ノイズと模擬室内音響下での波形およびスペクトルレベルのデータ拡張を適用した。
- 参考スコア（独自算出の注目度）: 0.21670084965090577
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Although Whisper models benefit from large-scale multilingual pre-training, their performance on Burmese medical speech remains limited. This work presents a Burmese medical speech recognition framework built on a high-quality 28-hour corpus recorded and validated by native speakers. We fine-tune Whisper models using full fine-tuning (FFT) and parameter-efficient fine-tuning (PEFT) with LoRA. To evaluate robustness, we apply waveform- and spectrogram-level data augmentation under controlled noise and simulated room acoustics. While augmentation reduces performance on clean speech, it significantly improves robustness in noisy and reverberant environments across FFT and PEFT settings. Our best-performing system, fully fine-tuned myMediWhisper-Medium without augmentation, achieves a state-of-the-art Word Error Rate (WER) of 23.44%, outperforming much larger general-domain fine-tuned models. Dataset and other resources can be found at the Huggingface repository: https://huggingface.co/datasets/LULab/mediTalk-mm-rdy.
- Abstract（参考訳）: Whisperモデルは、大規模な多言語事前訓練の恩恵を受けるが、ビルマの医療スピーチのパフォーマンスは限定的である。
本研究は,母語話者が記録・検証した高品質な28時間コーパスに基づくビルマの医療音声認識フレームワークを提案する。
We fine-tune Whisper model using full fine-tuning (FFT) and parameter-efficient fine-tuning (PEFT) with LoRA。
頑健性を評価するために,制御ノイズと模擬室内音響下での波形およびスペクトルレベルのデータ拡張を適用した。
Augmentationはクリーン音声の性能を低下させるが、FFTおよびPEFT設定におけるノイズおよび残響環境におけるロバスト性を大幅に改善する。
我々の最高のパフォーマンスシステムは、完全に微調整されたmyMediWhisper-Mediumを拡張せずに、最先端のワードエラーレート(WER)を23.44%達成し、はるかに大きな汎用ドメインの微調整モデルより優れています。
データセットやその他のリソースは、Huggingfaceリポジトリで見ることができる。
関連論文リスト
- Synthesizing the Lombard Effect: Multi-Level Control of Speech Clarity and Vocal Effort in TTS [61.29502937013759]
声道運動と調音疑似ラベルで訓練されたフローマッチングに基づく音声合成モデルを提案する。
提案モデルでは,声の努力や調音の連続的・不整合的な制御を実現するとともに,発話の特定のセグメントを明確にするための単語レベルの強調を可能にする。
論文 参考訳（メタデータ） (2026-06-22T11:14:22Z) - Improving End-to-End Speech Recognition for Dysarthric Speech through In-Domain Data Augmentation [43.31597557333867]
変形性音声認識は、変形性関節症患者の効果的なコミュニケーションを促進するために重要である。
変形性スピーチを正確に認識することは、重度レベルとデータ可用性の制限により、重大な課題を引き起こす。
本研究では, 変形性自動音声認識(ASR)のためのデータ拡張手法について, エンド・ツー・エンドの訓練済みWav2Vec2モデルを微調整することによって検討する。
論文 参考訳（メタデータ） (2026-06-18T05:00:11Z) - When De-noising Hurts: A Systematic Study of Speech Enhancement Effects on Modern Medical ASR Systems [0.6158894274166716]
音声強調法は,雑音環境下での自動音声認識(ASR)の性能を向上させることが一般的である。
我々は,4つの最先端ASRシステム上でのMetricGAN+Voicebankの分類評価を行った。
音声強調前処理は,全ての雑音条件およびモデルにおいてASR性能を低下させる。
論文 参考訳（メタデータ） (2025-12-19T13:32:19Z) - WhisperD: Dementia Speech Recognition and Filler Word Detection with Whisper [0.9831489366502302]
認知症(PwD)の人は、しばしば不規則な発話パターンと不一致を示すため、Whisperは正しく認知症を転写することができない。
我々はWhisperを、オープンソースの認知症音声データセット(DementiaBank)と社内データセットで微調整し、単語エラー率(WER)を改善する。
論文 参考訳（メタデータ） (2025-05-25T21:48:03Z) - Whispering in Amharic: Fine-tuning Whisper for Low-resource Language [3.2858851789879595]
本研究は,AmharicにおけるOpenAIのWhisper自動音声認識モデルについて検討する。
Mozilla Common Voice、FLEURS、BDU-speechデータセットといったデータセットを使って微調整します。
最高のパフォーマンスモデルであるWhispersmall-amは、既存のFLEURSデータと新しい、目に見えないAmharicデータセットの混合を微調整することで、大幅に改善される。
論文 参考訳（メタデータ） (2025-03-24T09:39:41Z) - Whisper Finetuning on Nepali Language [0.0]
本研究は,ネパール語の転写精度を向上させるために,OpenAIのWhisperモデルを微調整し,包括的で一般化したデータセットを作成することに焦点を当てる。
ASRデータセットと自己記録されたカスタムデータセットを多種多様なアクセント、方言、話し方で活用し、拡張によってさらに充実させます。
我々のアプローチは、FleurのデータセットでトレーニングされたWhisperのベースラインモデルよりも優れており、中規模モデルでは36.2%、中型モデルでは23.8%のWER削減を実現している。
論文 参考訳（メタデータ） (2024-11-19T15:55:56Z) - Perceiver-Prompt: Flexible Speaker Adaptation in Whisper for Chinese Disordered Speech Recognition [40.44769351506048]
Perceiver-PromptはWhisperの大規模モデル上でP-Tuningを利用する話者適応手法である。
我々はまずLoRAを用いてWhisperを微調整し、次にトレーニング可能なPerceiverを統合して可変長入力から固定長話者プロンプトを生成する。
論文 参考訳（メタデータ） (2024-06-14T09:36:46Z) - Audio-Visual Speech Codecs: Rethinking Audio-Visual Speech Enhancement
by Re-Synthesis [67.73554826428762]
本稿では,AR/VRにおける高忠実度通信のための新しい音声・視覚音声強調フレームワークを提案する。
提案手法は音声・視覚音声の手がかりを利用してニューラル音声のコードを生成することで,ノイズ信号からクリーンでリアルな音声を効率的に合成する。
論文 参考訳（メタデータ） (2022-03-31T17:57:10Z) - Investigation of Data Augmentation Techniques for Disordered Speech
Recognition [69.50670302435174]
本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。
正常な音声と無秩序な音声の両方が増強過程に利用された。
UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
論文 参考訳（メタデータ） (2022-01-14T17:09:22Z) - Improving Noise Robustness of Contrastive Speech Representation Learning
with Speech Reconstruction [109.44933866397123]
実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。
雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。
ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
論文 参考訳（メタデータ） (2021-10-28T20:39:02Z) - Dynamic Acoustic Unit Augmentation With BPE-Dropout for Low-Resource
End-to-End Speech Recognition [62.94773371761236]
我々は、OOVレートの高い低リソースセットアップで効果的なエンドツーエンドASRシステムを構築することを検討します。
本稿では,BPE-dropout法に基づく動的音響ユニット拡張法を提案する。
我々の単言語トルココンフォーマーは22.2%の文字誤り率(CER)と38.9%の単語誤り率(WER)の競争結果を確立した。
論文 参考訳（メタデータ） (2021-03-12T10:10:13Z) - End-to-end Whispered Speech Recognition with Frequency-weighted
Approaches and Pseudo Whisper Pre-training [130.56878980058966]
発声音声のエンド・ツー・エンド(E2E)認識に対するいくつかのアプローチを提案する。
我々は,比較的小型のTIMITコーパスを用いて,PER19.8%,CER44.4%の相対的な削減を実現した。
正規または擬似発声音声で事前訓練された優れたE2Eモデルがある限り、比較的小さな発声音声は、合理的に優れたE2E発声音声認識器を得るのに十分である。
論文 参考訳（メタデータ） (2020-05-05T07:08:53Z)
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。