論文の概要: StreamHear: Domain-Adapted Pseudo-Labeling for Semi-Supervised Streaming Speech Recognition

• arxiv url: http://arxiv.org/abs/2608.13717v1
• Date: Thu, 13 Aug 2026 19:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.19954
• Title: StreamHear: Domain-Adapted Pseudo-Labeling for Semi-Supervised Streaming Speech Recognition
• Title（参考訳）: StreamHear:半教師付きストリーム音声認識のためのドメイン適応擬似ラベル
• Abstract要約: StreamHearは、オフライントランスデューサの教師を微調整することで、トレーニング済みのストリーミング学生に適応する半教師付きパイプラインである。 本稿では、オフラインのトランスデューサ教師を微調整することで、事前学習したストリーミング学生に適応する半教師付きパイプラインStreamHearを提案する。
• 参考スコア（独自算出の注目度）: 14.601455382857166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Streaming automatic speech recognition (ASR) underperforms on domain-shifted target audio, where labeled in-domain data is costly to prepare while unlabeled audio is abundant. We present StreamHear, a semi-supervised pipeline that adapts a pretrained streaming student by fine-tuning an offline transducer teacher on the labeled training set, generating pseudo-labels on the unlabeled portion, and fine-tuning the student on the mixture. We further introduce a prior-regularized dynamic-programming realignment step that fixes chunk-level word placement using an ASR-hypothesis anchor. Across four datasets spanning financial calls, prepared read speech, and phone-quality dialogue, StreamHear consistently outperforms supervised student fine-tuning and narrows the gap to the offline teacher.
• Abstract（参考訳）: ストリーム自動音声認識(ASR)は、未ラベルの音声が豊富である間に、ドメイン内のラベル付きデータを準備するのにコストがかかるドメインシフトターゲットオーディオにおいて、性能が低い。 ラベル付きトレーニングセットにオフラインのトランスデューサ教師を微調整し、ラベルなし部分に擬似ラベルを生成し、ミックスに微調整することで、事前学習されたストリーミング学生に適応する半教師付きパイプラインStreamHearを提案する。 さらに、ASR-hypothesisアンカーを用いてチャンクレベルの単語配置を修正するための、事前規則化された動的プログラミング適応ステップを導入する。 ファイナンシャルコール、準備された読み上げスピーチ、電話品質の対話を含む4つのデータセットで、StreamHearは教師付き学生の微調整を一貫して上回り、オフラインの教師とのギャップを狭める。

関連論文リスト

• LEViL: Label-Efficient Video Learning via Zero-Shot Distillation over VLM-Generated Pseudo-Label Spaces [0.0]
  監視ビデオ事前訓練は、下流行動認識性能を改善するための共通の伝達学習の実践である。 本研究では,アノテーションなしビデオ事前学習と目標ラベルセット対応微調整を組み合わせたラベル効率のよいビデオ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T12:01:10Z)
• Masked Autoencoders as Universal Speech Enhancer [5.670678893351032]
  マスク付きオートエンコーダをベースとしたユニバーサル音声エンハンサーは、自己教師方式で訓練される。 提案手法は,ドメイン内およびドメイン外両方の評価データセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2026-02-02T18:13:59Z)
• Refining Transcripts With TV Subtitles by Prompt-Based Weakly Supervised Training of ASR [15.311893064721858]
  本研究では、弱教師付き(WS)自動音声認識(ASR)フレームワークにおいて、テレビ字幕を使用するための新しい手法を提案する。 本手法では,字幕を直接監視信号として使用するのではなく,文脈に富むプロンプトとして再認識する。 生成された擬似転写文字が主要なターゲットとなり、字幕は反復的洗練のための導出手段として機能する。
  論文  参考訳（メタデータ） (2025-09-01T11:43:07Z)
• Weakly-supervised Audio Temporal Forgery Localization via Progressive Audio-language Co-learning Network [17.91342898415867]
  既存のATFL手法は、細かいアノテーションを使って効率的なネットワークを訓練することに依存している。 そこで本稿では,ローカライズ性能を高めるために,協調学習と自己超越的手法を取り入れたプログレッシブ・オーディオ・コラーニング・ネットワーク(LOCO)を提案する。 提案したLOCOは3つの公開ベンチマークでSOTA性能を達成する。
  論文  参考訳（メタデータ） (2025-05-03T17:57:57Z)
• Label-anticipated Event Disentanglement for Audio-Visual Video Parsing [61.08434062821899]
  我々は新しいデコードパラダイムであるアンダーライン・サンダーライン・エンダーライン・アンダーライン・インダーライン・プロジェクション(LEAP)を導入する。 LEAPは、音声/視覚セグメントの符号化された潜在機能を意味的に独立したラベル埋め込みに反復的に投影する。 LEAPパラダイムを促進するために,新しい音声・視覚的類似性損失関数を含むセマンティック・アウェア・最適化戦略を提案する。
  論文  参考訳（メタデータ） (2024-07-11T01:57:08Z)
• Leveraging Visual Supervision for Array-based Active Speaker Detection and Localization [3.836171323110284]
  簡単な音声畳み込みリカレントニューラルネットワークにより,水平型アクティブ話者検出と局所化を同時に行うことができることを示す。 本稿では,生徒の学習アプローチを取り入れた,自己指導型学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-12-21T16:53:04Z)
• DiariST: Streaming Speech Translation with Speaker Diarization [53.595990270899414]
  本稿では,最初のストリーミングSTとSDソリューションであるDiariSTを提案する。 ニューラルトランスデューサベースのストリーミングSTシステム上に構築され、トークンレベルのシリアライズされた出力トレーニングとtベクタを統合している。 重なり合う音声のストリーミング推論を行いながら,Whisperに基づくオフラインシステムと比較して強いSTとSD能力を実現する。
  論文  参考訳（メタデータ） (2023-09-14T19:33:27Z)
• Introducing Semantics into Speech Encoders [91.37001512418111]
  本研究では,大言語モデルからの意味情報をラベル付き音声書き起こしのない自己教師付き音声エンコーダに組み込む教師なしの手法を提案する。 提案手法は,100時間以上のラベル付き音声書き起こしにおける教師あり手法と類似した性能を実現する。
  論文  参考訳（メタデータ） (2022-11-15T18:44:28Z)
• Iterative pseudo-forced alignment by acoustic CTC loss for self-supervised ASR domain adaptation [80.12316877964558]
  特定のドメインからの高品質なデータラベリングはコストと人的時間を要する。 本稿では,反復的擬力アライメントアルゴリズムに基づく自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2022-10-27T07:23:08Z)
• Self-supervised Rewiring of Pre-trained Speech Encoders: Towards Faster Fine-tuning with Less Labels in Speech Processing [66.92823764664206]
  我々は、事前訓練された音声エンコーダを精査し、タスク固有のラベルを必要とせず、その表現空間を再構成する。 6つの音声処理タスクに関する実験では,タスクの微調整と一貫したタスク改善の間に顕著な収束速度が得られた。
  論文  参考訳（メタデータ） (2022-10-24T08:27:09Z)
• Wav2Seq: Pre-training Speech-to-Text Encoder-Decoder Models Using Pseudo Languages [58.43299730989809]
  本稿では,音声データに対するエンコーダ・デコーダモデルの両部分を事前学習するための,最初の自己教師型アプローチであるWav2Seqを紹介する。 我々は、コンパクトな離散表現として擬似言語を誘導し、自己教師付き擬似音声認識タスクを定式化する。 このプロセスは独自のものであり、低コストの第2段階のトレーニングとして適用することができる。
  論文  参考訳（メタデータ） (2022-05-02T17:59:02Z)

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。