論文の概要: Auditing Generative Audio Calls for Known-Task Audio-LLM Evaluation

• arxiv url: http://arxiv.org/abs/2608.27817v1
• Date: Fri, 28 Aug 2026 01:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.175299
• Title: Auditing Generative Audio Calls for Known-Task Audio-LLM Evaluation
• Title（参考訳）: 未知タスク音声-LLM評価のための生成音声通話の聴取
• Abstract要約: 既知のクローズドセットタスクでは、音響的エビデンスへのアクセスと、生成的オーディオモデルを呼び出す必要性が重要である。 我々はこの区別を制御された呼判断問題として評価する。 既知のタスクエンドポイントのクレームに対して、関連する量は、転写とエンコーダの証拠が既に使われている後の生成呼び出しの限界値である。
• 参考スコア（独自算出の注目度）: 8.345705067210861
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech and audio LLMs are often evaluated by asking whether a waveform prompt beats an automatic speech recognition (ASR) transcript. For known closed-set tasks, that comparison conflates two factors: access to acoustic evidence and the need to call a generative audio model. We evaluate this distinction as a controlled call-decision problem. For each example, a policy chooses among keeping a transcript label, using encoder evidence from Contrastive Language-Audio Pretraining (CLAP), Audio Spectrogram Transformer (AST), or WavLM, and calling Qwen2-Audio, Qwen2.5-Omni, or MOSS-Audio; the decisive ablation removes all generative actions while keeping the selector and development protocol fixed. On VocalSound, transcripts reach 0.296 accuracy, so waveform information is needed. Yet supervised CLAP and WavLM controls reach 0.850 and 0.854 with no generative audio calls. A selector with generative actions reaches 0.925 accuracy using 12.5% calls, compared with 0.921 for the matched no-call selector (paired difference 0.004; 95% CI [-0.025,0.033]). Agreement and stacking features improve weaker selectors but do not beat the strongest no-call control. For known-task endpoint claims, the relevant quantity is the marginal value of the generative call after transcript and encoder evidence have already been used.
• Abstract（参考訳）: 音声と音声のLLMは、波形のプロンプトが自動音声認識(ASR)の書き起こしに勝つかどうかを問うことでしばしば評価される。 既知のクローズドセットタスクでは、音響的エビデンスへのアクセスと、生成的オーディオモデルを呼び出す必要性という2つの要因が混ざり合っている。 我々はこの区別を制御された呼判断問題として評価する。 Contrastive Language-Audio Pretraining (CLAP)、Audio Spectrogram Transformer (AST)、WavLMのエンコーダエビデンスを使用し、Qwen2-Audio、Qwen2.5-Omni、MOSS-Audioを呼び出す。 VocalSoundでは、転写文字の精度は0.296に達し、波形情報が必要である。 しかし、CLAPとWavLMの制御は、生成音声通話なしで0.850と0.854に達する。 生成動作を持つセレクタは、一致したno-callセレクタ(paired difference 0.004; 95% CI [-0.025,0.033])の0.921に対して、12.5%コールを使用して0.925精度に達する。 コンセンサスとスタック機能は、より弱いセレクタを改善するが、最強のノーコールコントロールには勝たない。 既知のタスクエンドポイントのクレームに対して、関連する量は、転写とエンコーダの証拠が既に使われている後の生成呼び出しの限界値である。

関連論文リスト

• Zero-Shot Temporal Localisation of Audio Deepfakes in Multi-Speaker Conversations [4.152774504513197]
  トレーニングフリーの5段階パイプラインは凍結されたバイナリ検出器をラップし、再トレーニングなしでセグメントレベルの出力を追加する。 ASVspoof 5からの180の複数話者会話では、強いバックボーンを持つ時間交叉対結合0.90、時間検出率0.95、MS-DCF0.26が達成された。 実際の発話における偽アラームレートは6%未満であり、真のマルチ話者対話(AMI)では2%以下である。 同一のパイプラインの下では、訓練されたローカライザが時間IoUを約0.04改善し、監督を継続するコストを抑える。
  論文  参考訳（メタデータ） (2026-09-09T11:27:26Z)
• TAD: Token-Adaptive Contrastive Decoding with Confidence-Guided Gating for Hallucination Mitigation in Large Audio-Language Models [9.497925590553857]
  大型オーディオ言語モデル(LALM)は、音響オブジェクトを幻覚させ、音のイベントに「はい」と答える。 本研究では,幻覚緩和のための学習自由戦略であるToken-Adaptive Decoding (TAD)を提案する。
  論文  参考訳（メタデータ） (2026-09-07T09:54:52Z)
• Auditing Generalization in AI-Generated Video Detection: A Six-Control Protocol and the VidAudit Toolkit [8.665845754660458]
  AI生成ビデオ検出のGenVidBenchとAIGVDBenchが事実上のリーダーボードだ。 ほとんどの評価プロトコルは、報告された一般化を拡大できる制御されていない欠点を残している。 20紙の調査では、これをキャッチする標準的な6つのコントロールをすべて適用していない。 それらを監査プロトコルに組み合わせて、6つの代表的な特徴源に適用する。
  論文  参考訳（メタデータ） (2026-06-30T00:29:53Z)
• TRADE: Transducer-Augmented Decoder for Speech LLM [52.69726809996728]
  音声大言語モデル(Speech LLM)は、ストリーミング推論の原理的なメカニズムを欠いている。 音声エンコーダを共有するトランスデューサブランチでマルチモーダルLLMを増強するTRADE TRansducer-Augmented DEcoderを提案する。 3つの設計上の選択により、システムは正確で、ストリーミング可能で、長い形にすることができる。
  論文  参考訳（メタデータ） (2026-06-07T07:15:34Z)
• Selective Attention System (SAS): Device-Addressed Speech Detection for Real-Time On-Device Voice AI [1.399948157377307]
  時間的曖昧な発話を伴うマルチ話者環境において、このタスクは発話局所分類タスクよりも、対話履歴よりも逐次ルーティング問題として効果的にモデル化されていることを示す。 本稿では,これをSDAR(Sequential Device-Addressed Routing)として定式化し,この定式化をインスタンス化するデバイス上でのSelective Attention System(SAS)を提案する。
  論文  参考訳（メタデータ） (2026-04-09T16:11:15Z)
• VoiceSHIELD-Small: Real-Time Malicious Speech Detection and Transcription [2.0225826789157404]
  本稿では,リアルタイムに動作する軽量モデルであるVoiceSHIELD-Smallを紹介する。 音声を転写し、それが安全か有害かを検出する。 OpenAIのWhisper小エンコーダ上に構築されたVoiceSHIELDには,平均プール層と単純な分類ヘッドが追加されている。
  論文  参考訳（メタデータ） (2026-03-08T16:23:42Z)
• Adaptive vector steering: A training-free, layer-wise intervention for hallucination mitigation in large audio and multimodal models [45.88028371034407]
  本稿では,適応ベクトルステアリングによる音声コンテンツのより良い生成を提案する。 実験では、2つのモデルと2つのベンチマークで一貫したパフォーマンス向上を示している。 我々の知る限りでは、オーディオにおける幻覚を軽減するためにベクトルステアリングを適用した最初の研究である。
  論文  参考訳（メタデータ） (2025-10-14T08:52:18Z)
• VoxRAG: A Step Toward Transcription-Free RAG Systems in Spoken Question Answering [4.740589102992697]
  本稿では,モジュール型音声音声合成合成システムであるVoxRAGを紹介する。 VoxRAGは書き起こしをバイパスし、音声クエリから直接意味のある音声セグメントを検索する。
  論文  参考訳（メタデータ） (2025-05-22T22:42:40Z)
• The Model Hears You: Audio Language Model Deployments Should Consider the Principle of Least Privilege [48.18013944679755]
  最新の音声言語モデル(Audio LMs)は、別の転写ステップに頼るのではなく、音声を直接処理する。 このシフトは、イントネーションや複数の話者の存在などの詳細な情報を保存し、それ以外は転写で失われる。 また、話者アイデンティティーの手がかりや、他の機密性の高い発声特性の誤用など、新たな安全性リスクも導入されている。
  論文  参考訳（メタデータ） (2025-03-21T04:03:59Z)
• CLAIR-A: Leveraging Large Language Models to Judge Audio Captions [73.51087998971418]
  機械生成オーディオキャプションの評価は、様々な要因を検討する必要がある複雑なタスクである。 本稿では,大規模言語モデルのゼロショット機能を活用するシンプルで柔軟なCLAIR-Aを提案する。 我々の評価では、CLAIR-Aは従来のメトリクスと比較して品質の人的判断を良く予測する。
  論文  参考訳（メタデータ） (2024-09-19T17:59:52Z)
• VALL-E R: Robust and Efficient Zero-Shot Text-to-Speech Synthesis via Monotonic Alignment [101.2489492032816]
  VALL-E Rは、堅牢で効率的なゼロショットテキスト音声合成システムである。 この研究は、失語症に罹患した人々のためのスピーチの作成を含む有意義なプロジェクトに適用される可能性がある。
  論文  参考訳（メタデータ） (2024-06-12T04:09:44Z)
• Anomalous Sound Detection using Audio Representation with Machine ID based Contrastive Learning Pretraining [52.191658157204856]
  コントラスト学習を用いて、各音声サンプルではなく、各機械IDの音声表現を洗練する。 提案手法では、コントラスト学習を用いて音声表現モデルを事前学習する。 実験の結果,本手法はコントラスト学習や自己教師型分類を用いて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-07T11:08:31Z)
• Using multiple reference audios and style embedding constraints for speech synthesis [68.62945852651383]
  提案モデルでは,複数の参照音声を用いて音声の自然さとコンテンツ品質を向上させることができる。 モデルは、スタイル類似性のABX選好テストにおいてベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-10-09T04:24:29Z)
• A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
  ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。 人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
  論文  参考訳（メタデータ） (2020-12-22T06:36:58Z)

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。