論文の概要: TurboBias 2.0: Streaming Context-Biasing for Production-Efficient ASR Systems

• arxiv url: http://arxiv.org/abs/2608.21343v1
• Date: Fri, 21 Aug 2026 17:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.668522
• Title: TurboBias 2.0: Streaming Context-Biasing for Production-Efficient ASR Systems
• Title（参考訳）: TurboBias 2.0:生産効率の良いASRシステムのためのストリーミングコンテキストバイアス
• Abstract要約: TurboBias 2.0 は Transducer ベースの ASR システムにおける効率的なフレーズブースティングのための生産指向フレームワークである。 また,TurboBias 2.0は低レイテンシと高スループットを保ちながら,文脈的フレーズ認識を改善していることを示す。
• 参考スコア（独自算出の注目度）: 36.542344512296225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contextualization is essential for production automatic speech recognition (ASR) systems, where user-provided phrases must be recognized accurately under strict latency constraints. Although many context-biasing methods improve recognition accuracy, they often do not address the practical requirements of modern production ASR systems: streaming inference, efficient batched decoding, user-specific context lists, and low runtime overhead. We propose TurboBias 2.0, a production-oriented framework for efficient phrase boosting in Transducer-based ASR systems. The framework extends GPU-accelerated TurboBias with a case-insensitive boosting graph and per-stream batched decoding, allowing each utterance in a batch to use an independent context-biasing configuration. This enables personalized context biasing for multiple simultaneous users without sharing or mixing their context lists. The proposed framework supports both offline and streaming inference and can be used with greedy and beam-search decoding. Experiments show that TurboBias 2.0 improves contextual phrase recognition while preserving low latency and high throughput.
• Abstract（参考訳）: コンテキスト化は、ユーザが提供するフレーズを厳密なレイテンシ制約の下で正確に認識する必要がある、生産自動音声認識(ASR)システムに不可欠である。 多くのコンテキストバイアス法は認識精度を向上させるが、ストリーミング推論、効率的なバッチデコード、ユーザ固有のコンテキストリスト、実行時のオーバーヘッドの低減といった、現代のプロダクションASRシステムの現実的な要件に対処しないことが多い。 本稿では,TransducerをベースとしたASRシステムにおいて,効率的なフレーズブースティングを実現するための生産指向フレームワークであるTurboBias 2.0を提案する。 このフレームワークは、GPUアクセラレーションされたTurboBiasを拡張し、ケース非依存のブーストグラフとストリーム毎のバッチデコーディングにより、バッチ内の各発話が独立したコンテキストバイアス設定を使用することができる。 これにより、複数の同時ユーザに対して、コンテキストリストを共有したり混合したりすることなく、パーソナライズされたコンテキストバイアスが可能になる。 提案するフレームワークは、オフラインとストリーミングの両方をサポートし、greedyと beam-searchデコーディングで使用することができる。 実験の結果,TurboBias 2.0は低レイテンシと高スループットを保ちながら,文脈的フレーズ認識を改善することがわかった。

関連論文リスト

• Moonshine v2: Ergodic Streaming Encoder ASR for Latency-Critical Speech Applications [0.8691520242484038]
  フルアテンショントランスフォーマーエンコーダは、音声認識(ASR)のための強力な精度ベースラインのままである 本稿では、スライディングウインドウ自己アテンションを用いて、有界低レイテンシ推論を実現するエルゴードストリーミングエンコーダASRモデルv2を紹介する。 提案モデルでは,標準ベンチマーク間での単語誤り率の状態を達成し,モデルのサイズを6倍にし,性能を著しく向上した。
  論文  参考訳（メタデータ） (2026-02-12T18:20:45Z)
• Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
  従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。 本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。 提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T14:18:20Z)
• TurboBias: Universal ASR Context-Biasing powered by GPU-accelerated Phrase-Boosting Tree [17.16475665648591]
  本稿では,自動音声認識(ASR)のための普遍的文脈バイアスフレームワークを提案する。 このフレームワークはGPUアクセラレーションされたワードブースティングツリーに基づいており、グレディやビームサーチの復号のために浅い融合モードで使用することができる。 その結果,提案手法の効率性が高く,オープンソースの文脈バイアス手法を超越した結果を得た。
  論文  参考訳（メタデータ） (2025-08-09T15:27:07Z)
• FullDiT2: Efficient In-Context Conditioning for Video Diffusion Transformers [63.788600404496115]
  FullDiT2は、ビデオ生成と編集の両方における一般的な制御性のための効率的なコンテキスト内条件付けフレームワークである。 FullDiT2は、拡散ステップ当たりの平均時間コストにおいて、計算の大幅な削減と2～3倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-06-04T17:57:09Z)
• Token-Level Serialized Output Training for Joint Streaming ASR and ST Leveraging Textual Alignments [49.38965743465124]
  本稿では,単一デコーダを用いて自動音声認識(ASR)と音声翻訳(ST)出力を共同生成するストリーミングトランスデューサを提案する。 単言語および多言語設定の実験は、我々のアプローチが最高の品質とレイテンシのバランスを達成することを示す。
  論文  参考訳（メタデータ） (2023-07-07T02:26:18Z)
• DCTX-Conformer: Dynamic context carry-over for low latency unified streaming and non-streaming Conformer ASR [20.42366884075422]
  本稿では,最先端統合型ASRシステムにおける動的コンテキスト搬送機構の統合を提案する。 提案する動的コンテキストコンバータ (DCTX-Conformer) は、重複しないコンテキスト搬送機構を利用する。 単語誤り率25.0%でSOTAを上回り、追加のコンテキスト埋め込みによる遅延の影響は無視できる。
  論文  参考訳（メタデータ） (2023-06-13T23:42:53Z)
• Two Stage Contextual Word Filtering for Context bias in Unified Streaming and Non-streaming Transducer [17.835882045443896]
  E2E ASRシステムでは、トレーニングデータに頻繁に現れるエンティティなどの単語を認識することは困難である。 本稿では,ストリーミングとストリーミングを併用したE2Eモデルに対して,高品質なコンテキストリストを得るための効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-01-17T07:29:26Z)
• Streaming End-to-End ASR based on Blockwise Non-Autoregressive Models [57.20432226304683]
  非自己回帰(NAR)モデリングは、音声処理においてますます注目を集めている。 エンドツーエンドのNAR音声認識システムを提案する。 提案手法は低レイテンシ条件下でのオンラインASR認識を改善する。
  論文  参考訳（メタデータ） (2021-07-20T11:42:26Z)
• Advanced Long-context End-to-end Speech Recognition Using Context-expanded Transformers [56.56220390953412]
  コンフォーメータアーキテクチャを導入することで、精度をさらに向上させ、以前の作業を拡張します。 拡張トランスフォーマーは、最先端のエンドツーエンドのASR性能を提供する。
  論文  参考訳（メタデータ） (2021-04-19T16:18:00Z)

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。