論文の概要: Leading-Silence Augmentation and Multi-Stage Synthetic Supervision for the Second MLC-SLM Challenge
- arxiv url: http://arxiv.org/abs/2608.14150v1
- Date: Fri, 14 Aug 2026 10:00:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.346779
- Title: Leading-Silence Augmentation and Multi-Stage Synthetic Supervision for the Second MLC-SLM Challenge
- Title（参考訳）: 第2回MLC-SLMチャレンジにおけるリード・サイレンス向上とマルチステージシンセティック・スーパービジョン
- Abstract要約: The Second Multilingual Conversational Speech Language Model (MLC-SLM) Challenge is evaluate two task over complete, unsegmented multilingual conversation。
どちらのタスクも評価においてオラクルの発話境界や話者ラベルを提供しておらず、タスク2は質問応答訓練セットを提供しない。
我々は,無作為な前根収穫,一貫したタイムスタンプ補正,分布整合強化を施したVibeVoice-ASR-7Bを微調整した。
- 参考スコア（独自算出の注目度）: 28.363948904202932
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The second Multilingual Conversational Speech Language Model (MLC-SLM) Challenge evaluates two tasks over complete, unsegmented multilingual conversations: speaker diarization and recognition (Task 1) and conversational speech understanding (Task 2). Neither task provides oracle utterance boundaries or speaker labels at evaluation, and Task 2 provides no question-answer training set. For Task 1, we fine-tune VibeVoice-ASR-7B with random leading-silence cropping, consistent timestamp correction, and an exponential moving average (EMA) training strategy. For Task 2, we construct synthetic question-answer pairs through multimodal candidate generation, silent-audio filtering, and distribution-matched augmentation, and fine-tune Qwen3-Omni-30B-A3B-Instruct for tagged direct answering. On the Task 1 evaluation set, cropping reduces tcpMER from 18.30% to 17.27%, and EMA further reduces it to 16.73%. On the Task 2 evaluation set, jointly applying distribution-matched augmentation and tagged direct answering raises accuracy from 83.0% to 86.0%.
- Abstract（参考訳）: 第2回多言語会話言語モデル(MLC-SLM)チャレンジは、話者ダイアリゼーションと認識(Task1)と会話音声理解(Task2)の2つのタスクを、完全かつ非分割の多言語会話で評価する。
どちらのタスクも評価においてオラクルの発話境界や話者ラベルを提供しておらず、タスク2は質問応答訓練セットを提供しない。
タスク1では,ランダムなリードサイレンストリミング,一貫したタイムスタンプ補正,指数的移動平均(EMA)トレーニングを施したVibeVoice-ASR-7Bを微調整する。
タスク2では、マルチモーダルな候補生成、サイレントオーディオフィルタリング、分布マッチング拡張、タグ付き直接応答のための微調整Qwen3-Omni-30B-A3B-インストラクトを用いて合成質問応答ペアを構築する。
タスク1の評価セットでは、収穫はtcpMERを18.30%から17.27%に減らし、EMAはさらに16.73%に減らした。
タスク2の評価セットでは、分布マッチング強化とタグ付き直接回答を併用することにより、精度が83.0%から86.0%に向上する。
関連論文リスト
- The Eloquence submission for Task 2 of the Interspeech 2026 MLC-SLM challenge [7.980139831363608]
LoRAを介してVoxtral-Mini-3Bを微調整し、言語間データ拡張、ASR transcript拡張、タイムスタンプ対応オーディオトリミングを行った。
第2に,凍結したVoxtral-24Bモデルにマルチモーダルインコンテキスト学習を適用し,強いラベルバイアスを補正し,0。
第3に、音響的アイデンティティ、セマンティックコンテンツ、知識グラフを組み合わせた3層音声アンコールメモリに基づく学習自由検索システムにおいて、0.68を達成する。
論文 参考訳（メタデータ） (2026-09-10T15:41:11Z) - SEAR: Segment-Evidence-Aware Routing for Weak-to-Strong Multilingual Speech MCQ [0.0]
本稿では,第2回MLC-SLMチャレンジのタスク2について述べる。
言語モデルは、タイムスタンプ付きASRをコヒーレントなイベントスパンに変換する。
テキストのみのプローブは、データを教師付き微調整や強化学習に用いられる強い音声依存アイテムに分割する。
論文 参考訳（メタデータ） (2026-09-10T10:38:19Z) - Diarization-Guided Qwen-ASR Adaptation for Multilingual Two-Speaker Conversational Speech [14.048968602801606]
本稿では,MLC-SLM 2026 Challenge のタスク1における自己設計型幻覚システムについて述べる。
このシステムはモジュラースピーカーダイアリゼーションフロントエンドとチャレンジ適応型Qwen3-ASR-1.7B認識器を組み合わせたものである。
論文 参考訳（メタデータ） (2026-07-09T08:07:34Z) - VoiceAssistant-Eval: Benchmarking AI Assistants across Listening, Speaking, and Viewing [45.15289852736435]
VoiceAssistant-Evalは、13のタスクカテゴリにまたがる10,497のキュレートされた例で構成されている。
実用性を示すため,21のオープンソースモデルとGPT-4o-Audioを評価した。
プロプライエタリなモデルは、オープンソースモデルより普遍的に優れているわけではない。
論文 参考訳（メタデータ） (2025-09-26T17:59:59Z) - Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges [63.741916531380696]
CHiME-7と8つの遠隔音声認識(DASR)の課題は、多チャンネル、一般化可能、共同自動音声認識(ASR)、対話音声のダイアリゼーションである。
本稿では,参加者からの重要傾向を分析しつつ,課題の設計,評価指標,データセット,ベースラインシステムについて概説する。
論文 参考訳（メタデータ） (2025-07-24T07:56:24Z) - Seed LiveInterpret 2.0: End-to-end Simultaneous Speech-to-speech Translation with Your Voice [52.747242157396315]
同時解釈 (SI) は、翻訳業界における最強のフロンティアの1つである。
Seed-LiveInterpret 2.0は、音声のクローン機能を備えた高忠実で低レイテンシな音声音声合成を実現するエンドツーエンドのSIモデルである。
論文 参考訳（メタデータ） (2025-07-23T14:07:41Z) - Audio Large Language Models Can Be Descriptive Speech Quality Evaluators [46.765203628127345]
本稿では,人間格付けから生成した最初の自然言語に基づく音声評価コーパスについて紹介する。
このコーパスは、複数の次元にわたる詳細な分析を提供し、品質劣化の原因を特定する。
生音声から関連情報を抽出するために,LLM蒸留(ALLD)を用いたアライメント手法を提案する。
論文 参考訳（メタデータ） (2025-01-27T22:47:51Z) - Empowering Whisper as a Joint Multi-Talker and Target-Talker Speech Recognition System [73.34663391495616]
本稿では,複数話者と目標話者の音声認識タスクを併用する先駆的手法を提案する。
具体的には、Whisperを凍結し、Sidecarセパレータをエンコーダに差し込み、複数の話者に対する混合埋め込みを分離する。
AishellMix Mandarin データセット上で,マルチストーカー ASR 上で許容できるゼロショット性能を提供する。
論文 参考訳（メタデータ） (2024-07-13T09:28:24Z) - Toward Efficient Language Model Pretraining and Downstream Adaptation
via Self-Evolution: A Case Study on SuperGLUE [203.65227947509933]
このレポートでは、スーパーGLUEのリーダーボードにJDExplore d-teamのVega v2を提出しました。
SuperGLUEは、広く使われている汎用言語理解評価(GLUE)ベンチマークよりも難易度が高く、8つの難しい言語理解タスクを含んでいる。
論文 参考訳（メタデータ） (2022-12-04T15:36:18Z) - Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging
Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。
本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。
生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
論文 参考訳（メタデータ） (2022-06-15T07:20:28Z) - MAESTRO: Matched Speech Text Representations through Modality Matching [35.566604806335626]
Maestroは、音声とテキストのモダリティから学習した表現を統一する自己教師型訓練手法である。
単語誤り率(WER)を11%低減したVoxPopuli多言語ASR上でのSOTA(State-of-the-art)を確立する。
我々はCoVoST 2上に新しい最先端のSOTA(State-of-the-art)を確立し、21以上の言語で平均2.8BLEUを改善した。
論文 参考訳（メタデータ） (2022-04-07T12:48:16Z) - A Simple Language Model for Task-Oriented Dialogue [61.84084939472287]
SimpleTODはタスク指向対話に対する単純なアプローチであり、すべてのサブタスクのリキャストで訓練された単一因果言語モデルを単一シーケンス予測問題として利用する。
これによりSimpleTODは、事前訓練されたオープンドメイン、GPT-2のような因果言語モデルからのトランスファー学習を完全に活用できる。
論文 参考訳（メタデータ） (2020-05-02T11:09:27Z)
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。