論文の概要: AVERT: Audio-Verified Adjudication for Spoken Dialogue State Tracking

• arxiv url: http://arxiv.org/abs/2609.01828v1
• Date: Tue, 01 Sep 2026 20:01:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.969922
• Title: AVERT: Audio-Verified Adjudication for Spoken Dialogue State Tracking
• Title（参考訳）: AVERT:音声認証による音声対話状態追跡
• Abstract要約: 音声対話状態追跡は音声からスロット値ペアを復元する。 ターン毎の強いテキストエディタは、この多くを訂正するが、書き起こしだけで、回復可能な3つのエラーを残している。 本稿では,クロスターン合意と訓練されたオーディオ条件検証器を組み合わせることで,各候補値をスコアするAVERTを提案する。
• 参考スコア（独自算出の注目度）: 33.29016224793747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spoken dialogue state tracking recovers slot-value pairs from speech, where ASR errors concentrate in entity values and persist across turns, making it both a generation and an editing problem. A strong per-turn text editor corrects much of this but, operating on the transcript alone, leaves three recoverable errors: a value predicted inconsistently across turns, an omitted slot, and a value the audio does not support. We present AVERT, which scores each candidate value by combining cross-turn agreement with a trained audio-conditioned verifier and resolves the three error types with three operators, vote, add, and swap, each restricted to the slots where its error is common. On SpokenWOZ, a base speech-LLM reaches 33.04 JGA, a text editor 38.34, and AVERT 40.13, without retraining either. This is in the range of a 1B end-to-end system that consumes the full spoken history (39.32), though AVERT uses two 1B decoders rather than one. The audio verifier contributes a statistically significant gain, and restricting each operator to a selected slot subset matters: removing it lets unrestricted voting overwrite correct categorical values and fall below the editor.
• Abstract（参考訳）: 音声対話状態追跡は音声からスロット値ペアを回復し、ASRエラーはエンティティ値に集中し、ターンをまたいで持続する。 ターン毎の強いテキストエディタは、これらの多くを訂正するが、書き起こしだけで操作すると、3つの復元可能なエラーが残る: ターン間で不整合に予測される値、省略されたスロット、オーディオがサポートしていない値。 AVERTは、トレーニングされたオーディオ条件付き検証器とクロスターン契約を組み合わせて各候補値をスコアし、3種類のエラータイプを3つの演算子で解決し、投票、加算、スワップを行い、それぞれエラーが共通するスロットに制限する。 SpokenWOZでは、ベーススピーチLLMが33.04 JGA、テキストエディタ38.34、AVERT 40.13に達する。 これは、完全な音声履歴(39.32)を消費する1Bのエンドツーエンドシステムの範囲内であるが、AVERTは1ではなく2つの1Bデコーダを使用する。 オーディオ検証器は統計的に有意な利得をもたらし、各オペレータを選択されたスロットサブセットに制限する。

関連論文リスト

• Not All Speech Is Intent: Adaptive Self-Correcting Inference Layer for Post-ASR False Wake-Up [2.497926557563177]
  会話型AIでは、偽の起動アクティベーションは依然として永続的な課題である。 フィードバック駆動型適応型自己修正型推論層(ASCIL)について紹介する。 ASCILは、音響埋め込み、言語的手がかり、デバイスコンテキスト、過去の誤分類からのパターンを融合させることで、応答生成前の覚醒意図を再評価する。
  論文  参考訳（メタデータ） (2026-09-11T06:06:06Z)
• Better Retrieval, Worse Robustness: How Multi-hop RAG Amplifies Upstream ASR Errors [0.0]
  音声ベースのアプリケーションは、任意の検索モジュールの前に自動音声認識(ASR)を介して音声クエリを渡す。 我々は、標準的な検索強化生成(RAG)への2つの拡張、エンティティグラフリンク、反復的な改定、吸収または増幅の2つの拡張を経験的に検証する。
  論文  参考訳（メタデータ） (2026-08-24T06:59:34Z)
• Voice Memory for Agentic Speech Recognition [66.69623133635868]
  エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。 同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。 10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
  論文  参考訳（メタデータ） (2026-07-29T02:42:56Z)
• Error Correction by Paying Attention to Both Acoustic and Confidence References for Automatic Speech Recognition [52.624909026294105]
  本稿では,非自己回帰型音声誤り訂正法を提案する。 信頼モジュールは、N-best ASR仮説の各単語の不確実性を測定する。 提案方式は,ASRモデルと比較して誤差率を21%削減する。
  論文  参考訳（メタデータ） (2024-06-29T17:56:28Z)
• Lexical Speaker Error Correction: Leveraging Language Models for Speaker Diarization Error Correction [4.409889336732851]
  話者ダイアリゼーション (SD) は通常、認識された単語に話者ラベルを登録するために自動音声認識 (ASR) システムで使用される。 このアプローチは、特に話者回転と話者重複領域に関する話者誤差を引き起こす可能性がある。 語彙情報を用いた第2パス話者誤り訂正システムを提案する。
  論文  参考訳（メタデータ） (2023-06-15T17:47:41Z)
• ASR Error Detection via Audio-Transcript entailment [1.3750624267664155]
  音声書き起こしエンターメントを用いたASR誤り検出のためのエンドツーエンドアプローチを提案する。 提案モデルでは,音響エンコーダと言語エンコーダを用いて,それぞれ音声と転写をモデル化する。 提案モデルでは,すべての転写誤りに対して26.2%,医学的誤りに対して23%の分類誤り率(CER)を達成し,それぞれ12%と15.4%の強い基準値を改善することができた。
  論文  参考訳（メタデータ） (2022-07-22T02:47:15Z)
• FastCorrect 2: Fast Error Correction on Multiple Candidates for Automatic Speech Recognition [92.12910821300034]
  本稿では,複数のASR候補を入力として取り込んだ誤り訂正モデルFastCorrect 2を提案する。 FastCorrect 2は、カスケードされた再描画と修正パイプラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-09-29T13:48:03Z)
• 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)
• Learning Explicit Prosody Models and Deep Speaker Embeddings for Atypical Voice Conversion [60.808838088376675]
  本稿では,明示的な韻律モデルと深層話者埋め込み学習を用いたVCシステムを提案する。 韻律補正器は音素埋め込みを取り入れ、典型的な音素持続時間とピッチ値を推定する。 変換モデルは、音素埋め込みと典型的な韻律特徴を入力として、変換された音声を生成する。
  論文  参考訳（メタデータ） (2020-11-03T13:08:53Z)

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。