論文の概要: Topic Matching in the Wild: Benchmark and Lessons from Real-World ASR Transcripts

• arxiv url: http://arxiv.org/abs/2609.00330v1
• Date: Thu, 27 Aug 2026 21:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.065013
• Title: Topic Matching in the Wild: Benchmark and Lessons from Real-World ASR Transcripts
• Title（参考訳）: 野生におけるトピックマッチング:実世界のASRテキストからのベンチマークと教訓
• Abstract要約: コンタクトセンターでは、リアルタイムエージェントアシストツールが、事前に定義されたトピックのそれぞれについて、実際の顧客発話が関連しているかを判断し、エージェントにコーチングカードを表示する。 実世界の課題を体系的に研究するために,実際のコールセンタの書き起こしから得られた人手による話題発話判定データセットをキュレートする。
• 参考スコア（独自算出の注目度）: 1.0732935873226022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In contact centers, real-time agent-assist tools determine, for each of many predefined topics, whether a live customer utterance is relevant and display a coaching card to the agent when it is. The input is noisy and challenging: ASR(Automatic Speech Recognition) transcripts of spontaneous phone conversations, which can be unclear, repetitive, and mostly lack punctuation. To systematically study this real-world task, we curate a human-annotated topic-utterance judgments dataset sourced from real call-center transcripts. We compare three types of matchers: a regex-based baseline, zero-shot sentence embedding encoders, and Gemini-based LLM matchers. In addition, two types of topic representations are studied in our benchmark:keyphrases and natural language description. Our empirical experiments highlight the superior performance of lightweight LLM matchers over embedding and regex models when equipped with natural language descriptions.
• Abstract（参考訳）: コンタクトセンターでは、リアルタイムエージェントアシストツールが、事前に定義されたトピックのそれぞれについて、実際の顧客発話が関連しているかを判断し、エージェントにコーチングカードを表示する。 ASR(Automatic Speech Recognition, 自動音声認識)は、不明瞭で反復的であり、句読点がほとんどない、自発的な電話会話の書き起こしを行う。 実世界の課題を体系的に研究するために,実際のコールセンタの書き起こしから得られた人手による話題発話判定データセットをキュレートする。 我々は,regexベースのベースライン,ゼロショット文埋め込みエンコーダ,geminiベースのLLMマーカの3種類を比較した。 さらに,本ベンチマークでは,キーワードと自然言語記述の2種類のトピック表現について検討した。 実験では, 自然言語記述を組み込んだ場合, 組込みおよびRegexモデルよりも軽量LLM整形器の方が優れた性能を示す。

関連論文リスト

• PAREDA: A Multi-Accent Speech Dataset of Natural Language Processing Research Discussions [7.858383859663038]
  この研究は、アクセント、自発性、およびドメイン固有の発話に起因する変動性に焦点を当てている。 特に,マルチアクセント音声データセットであるPAper Reading DAtaset(PAREDA)を紹介する。 我々は,アクセント混合の影響と発話速度の増加を解析し,PAREDA上でのSOTA ASRモデルの性能評価を行った。
  論文  参考訳（メタデータ） (2026-05-18T05:10:26Z)
• VoxEmo: Benchmarking Speech Emotion Recognition with Speech LLMs [54.75016325571445]
  音声大言語モデル (LLM) は, 音声の感情認識において, 生成インタフェースを介する大きな可能性を示す。 クローズドセットからオープンテキスト生成へのシフトは、ゼロショット性を導入し、プロンプトに非常に敏感な評価を与える。 本稿では,VoxEmoについて紹介する。VoxEmoは音声LLMのための15言語に35の感情コーパスを含む総合的なSERベンチマークである。
  論文  参考訳（メタデータ） (2026-03-09T21:10:34Z)
• PROFASR-BENCH: A Benchmark for Context-Conditioned ASR in High-Stakes Professional Speech [0.0]
  ProfASR-Benchは、金融、医療、法律、技術全般にわたる高度な応用のためのプロフェッショナルトーク評価スイートである。 それぞれの例は、自然言語プロンプトとエンティティリッチなターゲット発話をペアリングし、コンテキスト条件認識の制御された計測を可能にする。
  論文  参考訳（メタデータ） (2025-12-29T18:43:23Z)
• ASR Benchmarking: Need for a More Representative Conversational Dataset [3.017953715883516]
  本研究では、大人同士の非構造的な会話からなる、TalkBankから派生した多言語会話データセットを提案する。 その結果,会話環境下でのテストでは,様々な最先端のASRモデルに対して顕著な性能低下がみられた。
  論文  参考訳（メタデータ） (2024-09-18T15:03:04Z)
• Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue Questions with LLMs [59.74002011562726]
  我々は、よりパーソナライズされ魅力的な応答を提供するために、新しい言語的キューに基づく思考の連鎖(textitCue-CoT)を提案する。 中国語と英語の6つのデータセットからなる詳細な対話質問を用いたベンチマークを構築した。 実験により,提案手法は,すべてのデータセットにおいて,テクステルパーフルネスとテクスチタアクセプタビリティの両方の観点から,標準的プロンプト法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-19T16:27:43Z)
• SLUE Phase-2: A Benchmark Suite of Diverse Spoken Language Understanding Tasks [88.4408774253634]
  音声言語理解(SLU)タスクは、音声研究コミュニティで何十年にもわたって研究されてきた。 SLUタスクベンチマークはそれほど多くはなく、既存のベンチマークの多くは、すべての研究者が自由に利用できないデータを使っている。 最近の研究は、いくつかのタスクにそのようなベンチマークを導入し始めている。
  論文  参考訳（メタデータ） (2022-12-20T18:39:59Z)
• BLASER: A Text-Free Speech-to-Speech Translation Evaluation Metric [66.73705349465207]
  エンドツーエンドの音声音声翻訳(S2ST)は、一般的にテキストベースのメトリクスで評価される。 本稿では,ASRシステムへの依存を回避するために,BLASERと呼ばれるエンドツーエンドS2STのテキストフリー評価指標を提案する。
  論文  参考訳（メタデータ） (2022-12-16T14:00:26Z)
• What BERT Based Language Models Learn in Spoken Transcripts: An Empirical Study [6.696983725360809]
  言語モデル(LM)は、音声言語理解(SLU)を含む様々なタスクでユビキタスに活用されている。 本研究では、SLUを話者(分散、一時停止、オーバートーク)、チャンネル(会話型、ターンタスク)、ASR(挿入、削除、置換)の3つの代表的な特性に分解することを提案する。 本稿では,BERT に基づく言語モデル (BERT, RoBERTa) を探索し,言語手がかりがない場合に多言語特性を理解する能力について検討する。
  論文  参考訳（メタデータ） (2021-09-19T11:23:50Z)
• Phoneme-BERT: Joint Language Modelling of Phoneme Sequence and ASR Transcript [6.696983725360809]
  PhonemeBERTは、音素シーケンスとASR文字による共同言語モデルを学び、音素認識表現を学習する。 3つのベンチマークデータセットに対してノイズの多いデータを生成することで、我々のアプローチを広範囲に評価する。
  論文  参考訳（メタデータ） (2021-02-01T12:45:15Z)
• Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and Context-Aware Auto-Encoders [59.038157066874255]
  本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。 RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。 消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
  論文  参考訳（メタデータ） (2020-12-14T07:31:17Z)
• Semi-Supervised Spoken Language Understanding via Self-Supervised Speech and Language Model Pretraining [64.35907499990455]
  そこで本稿では,音声から意味論を直接学習するフレームワークを提案する。 我々のフレームワークは、事前訓練されたエンドツーエンド(E2E)ASRとBERTのような自己教師型言語モデルに基づいて構築されている。 並行して,SLUモデルを評価するための重要な基準として,環境騒音汚染度とE2Eセマンティクス評価の2つがあげられる。
  論文  参考訳（メタデータ） (2020-10-26T18:21:27Z)

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。