論文の概要: CASA: Content-Acoustic Speaking Assessment with Speech Encoder and Large Language Model

• arxiv url: http://arxiv.org/abs/2608.13101v1
• Date: Thu, 13 Aug 2026 11:25:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.501445
• Title: CASA: Content-Acoustic Speaking Assessment with Speech Encoder and Large Language Model
• Title（参考訳）: CASA: 音声エンコーダと大規模言語モデルを用いたコンテンツ音響的評価
• Abstract要約: 本稿では,Whisper-mediumとQwen3.5-2Bを組み合わせたシンプルなアーキテクチャであるCASAを提案する。 2025年のSpeak & Improveでは、CASAは0.358の根平均二乗誤差(RMSE)を達成し、以前の最高のRMSEを改善した。 本研究では、音響情報とコンテンツ情報の個人的および補完的貢献を分析し、性能変動を検証し、学習不要なコンテンツ検証のための大規模言語モデル推論の可能性を示す。
• 参考スコア（独自算出の注目度）: 15.012645661271428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research on automatic speaking assessment (ASA) has increasingly adopted multimodal speech large language models to assess learners' speaking performance. However, existing studies provide limited analysis of how acoustic and content information contribute to predictions and how stable the resulting performance is. We propose CASA, a simpler architecture combining Whisper-medium and Qwen3.5-2B that achieves state-of-the-art performance while providing a more interpretable separation between speech delivery and content. On the Speak & Improve Corpus 2025, CASA achieves a root mean square error (RMSE) of 0.358, improving on the previous best RMSE while using approximately half the estimated inference parameters. The general-purpose architecture is designed for adaptation to other ASA corpora without structural changes and relies on three handcrafted fluency features. Through ablations and repeated runs, we analyze the individual and complementary contributions of acoustic and content information, examine performance variability, and demonstrate the potential of large language model reasoning for training-free content validation.
• Abstract（参考訳）: 自動音声アセスメント(ASA)の研究は,学習者の発話性能を評価するために,多モーダル音声大言語モデルの採用が増えている。 しかし、既存の研究では、音響情報とコンテンツ情報が予測にどのように貢献するか、そして結果のパフォーマンスがどの程度安定しているかを限定的に分析している。 本稿では,Whisper-mediumとQwen3.5-2Bを組み合わせたよりシンプルなアーキテクチャであるCASAを提案する。 Speak & Improve Corpus 2025において、CASAは0.358の根平均二乗誤差(RMSE)を達成する。 汎用アーキテクチャは構造変化のない他のASAコーパスへの適応のために設計されており、3つの手作りの流線型特徴に依存している。 短縮と繰り返し実行を通じて、音響情報とコンテンツ情報の個人的および補完的な寄与を分析し、性能変動を検証し、トレーニング不要なコンテンツ検証のための大規模言語モデル推論の可能性を示す。

関連論文リスト

• Koopman Regularized Deep Speech Disentanglement for Speaker Verification [6.659299099827954]
  DKSD-AE(Deep Koopman Speech Disentanglement Autoencoder) 本稿では,複数ステップのKoopman演算子学習モジュールとインスタンス正規化を組み合わせた構造化オートエンコーダを提案する。 この結果から,コープマンに基づく時間モデルと実例正規化を組み合わせることで,話者中心の表現学習における効率的かつ原理的な解が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-03-05T17:30:18Z)
• Probing the Hidden Talent of ASR Foundation Models for L2 English Oral Assessment [17.656808708384435]
  本稿では,ASR基盤モデルであるWhisperの未完成の可能性を探る。 隠れ表現から音響的特徴と言語的特徴を抽出し,その潜在能力を更に探究する。 我々はWhisperの埋め込みの詳細な分析を行い、タスク固有の微調整がなくても、本モデルが本質的に音声の順序的習熟パターンと意味的側面の両方を符号化することを示した。
  論文  参考訳（メタデータ） (2025-10-18T08:10:24Z)
• Preservation of Language Understanding Capabilities in Speech-aware Large Language Models [3.770636357625305]
  このベンチマークでは、テキストタスクと音声クローニングテキスト音声モデルを用いて、モデルが音声入力を介してアクセスされたときの言語理解能力の保存範囲を定量化する。 C3Tは、話者の異なるカテゴリのモデルの公平さと、テキストと音声のモダリティをまたいだ頑健さを定量化する。
  論文  参考訳（メタデータ） (2025-09-15T17:34:45Z)
• AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
  マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。 AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。 また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
  論文  参考訳（メタデータ） (2025-08-29T07:40:39Z)
• SpeechR: A Benchmark for Speech Reasoning in Large Audio-Language Models [60.72029578488467]
  SpeechRは、大規模な音声言語モデルにおける音声に対する推論を評価するための統一的なベンチマークである。 事実検索、手続き推論、規範的判断の3つの重要な側面に沿ったモデルを評価する。 11個の最先端のLALMの評価は、高い転写精度が強い推論能力に変換されないことを示している。
  論文  参考訳（メタデータ） (2025-08-04T03:28:04Z)
• Speech Quality Assessment Model Based on Mixture of Experts: System-Level Performance Enhancement and Utterance-Level Challenge Analysis [3.7818013031679683]
  本稿では,自己教師付き学習音声モデルに基づくMOS予測システムを提案する。 提案手法はwav2vec2のような既存の自己教師型モデルに基づいて構築され,様々な種類の音声品質評価タスクに対処する専用のMoEアーキテクチャを設計する。 MoEアーキテクチャと拡張データセットの採用にもかかわらず、文レベルの予測タスクのパフォーマンス改善は限定的のままである。
  論文  参考訳（メタデータ） (2025-07-08T16:00:13Z)
• A Systematic Comparison of Phonetic Aware Techniques for Speech Enhancement [20.329872147913584]
  音声強調モデルにおける音声情報の統合方法の比較を行った。 異なる音声コンテンツモデルと様々な特徴注入技術が性能向上に与える影響を観察する。
  論文  参考訳（メタデータ） (2022-06-22T12:00:50Z)
• Self-Supervised Learning for speech recognition with Intermediate layer supervision [52.93758711230248]
  自己教師付き学習(ILS-SSL)のための中間層スーパービジョンを提案する。 ILS-SSLは、中間層にSSL損失を追加することで、可能な限りコンテンツ情報に集中させます。 LibriSpeech の他のテストセットの実験により,本手法は HuBERT を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-12-16T10:45:05Z)
• Deep Learning-based Non-Intrusive Multi-Objective Speech Assessment Model with Cross-Domain Features [31.59528815233441]
  我々はMOSA-Netと呼ばれるクロスドメイン多目的音声アセスメントモデルを提案し、同時に複数の音声アセスメント指標を推定できる。 実験の結果, 音声品質(PESQ)予測の知覚評価において, MOSA-Net は線形相関係数 (LCC) を 0.026 (0.990 vs 0.964) と 0.012 (0.969 vs 0.957) で改善できることがわかった。
  論文  参考訳（メタデータ） (2021-11-03T17:30:43Z)
• 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)
• Wav-BERT: Cooperative Acoustic and Linguistic Representation Learning for Low-Resource Speech Recognition [159.9312272042253]
  Wav-BERTは、協調的な音響および言語表現学習法である。 我々は、事前訓練された音響モデル(wav2vec 2.0)と言語モデル(BERT)をエンドツーエンドのトレーニング可能なフレームワークに統合する。
  論文  参考訳（メタデータ） (2021-09-19T16:39:22Z)
• SPLAT: Speech-Language Joint Pre-Training for Spoken Language Understanding [61.02342238771685]
  音声理解には、入力音響信号を解析してその言語内容を理解し、予測するモデルが必要である。 大規模無注釈音声やテキストからリッチな表現を学習するために,様々な事前学習手法が提案されている。 音声と言語モジュールを協調的に事前学習するための,新しい半教師付き学習フレームワークであるSPLATを提案する。
  論文  参考訳（メタデータ） (2020-10-05T19:29:49Z)

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。