論文の概要: Dual-Form ASR: Semantics-Aware Inverse Text Normalization for Chinese Speech Recognition

• arxiv url: http://arxiv.org/abs/2609.02901v1
• Date: Mon, 06 Jul 2026 03:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.453463
• Title: Dual-Form ASR: Semantics-Aware Inverse Text Normalization for Chinese Speech Recognition
• Title（参考訳）: 二重形式ASR:中国語音声認識のための意味論的逆テキスト正規化
• Abstract要約: 本稿では,音声形式のASR機能を意味論的に認識するITNに拡張するフレームワークであるDual-Form ASR(DF-ASR)を提案する。 DF-ASRはオープンソースASR-ITNシステムより一貫して優れている。
• 参考スコア（独自算出の注目度）: 18.241281502443456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern automatic speech recognition (ASR) scenarios require both spoken-form transcripts for faithful transcription and readable written-form transcripts with inverse text normalization (ITN). However, these forms are typically produced by cascaded modules, where a spoken-form ASR output is rewritten by a separate ITN component, making written-form ASR-ITN vulnerable to recognition errors and decoupling normalization from acoustic-contextual modeling, especially for semantically dependent numeric expressions. In this paper, we propose Dual-Form ASR (DF-ASR), a framework that extends spoken-form ASR capability to semantics-aware written-form ITN through paired spoken-form and written-form supervision while retaining prompt-level selection between transcript forms. The dual-form supervision is constructed via a large language model (LLM)-driven generate-and-judge workflow, and training is further enhanced by ITN-MWER, a sequence-level objective that assigns higher cost to errors on normalization-sensitive spans. We also introduce a decision-aware REQUIRE-ITN/\FORBID-ITN protocol to separately measure required normalization and forbidden-span preservation. On manually annotated Chinese subsets from SpeechIO, DF-ASR consistently outperforms open-source ASR-ITN systems, remains competitive with strong closed-source references, and preserves reliable prompt-level control between spoken-form and written-form outputs.
• Abstract（参考訳）: 現代の自動音声認識(ASR)のシナリオでは、忠実な書き起こしのための音声形式の書き起こしと、逆テキスト正規化(ITN)を備えた読み出し可能な書き起こしの書き起こしの両方が必要となる。 しかし、これらの形式は典型的にはカスケードモジュールによって生成され、音声形式 ASR 出力は別の ITN コンポーネントによって書き直され、書込み形式 ASR-ITN は認識エラーに対して脆弱になり、特に意味論的に依存する数値表現において、音響コンテキストモデリングから正規化を分離する。 本稿では,音声形式ASR(Dual-Form ASR, DF-ASR)を提案する。 デュアルフォームの監視は、LLM(Large Language Model)駆動のジェネレーション・アンド・ジャッジワークフローを通じて構築され、正規化に敏感なスパン上のエラーにより高いコストを割り当てるシーケンスレベルの目標であるITN-MWERによってトレーニングがさらに強化される。 また,REQUIRE-ITN/\FORBID-ITNプロトコルを導入した。 DF-ASRはオープンソースのAIR-ITNシステムより一貫して優れており、強力なクローズドソース参照と競合し、音声形式と書字形式の出力間の信頼性の高いプロンプトレベルの制御を維持している。

関連論文リスト

• FormalASR: End-to-End Spoken Chinese to Formal Text [1.814001105518696]
  本稿では,2つのコンパクト・エンド・ツー・エンド・モデルであるFormalASRについて述べる。 WenetSpeech-Formal および Speechio-Formal の実験により、FormalASR は動詞のベースラインよりも37.4% の相対的な CER 還元を達成することが示された。
  論文  参考訳（メタデータ） (2026-05-19T02:27:27Z)
• AdaCS: Adaptive Normalization for Enhanced Code-Switching ASR [1.8533128809847572]
  文内コードスイッチングは,音声認識システムにおいて重要な課題である。 AdaCSは、適応バイアスアテンションモジュールをエンコーダ・デコーダネットワークに統合する正規化モデルである。 実験の結果,AdaCSはベトナムのCS ASR正規化において,従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-13T07:27:00Z)
• MSA-ASR: Efficient Multilingual Speaker Attribution with frozen ASR Models [59.80042864360884]
  話者分布自動音声認識(SA-ASR)は,対応する話者に文字を正確に割り当てながら音声を転写することを目的としている。 本稿では,凍結した多言語ASRモデルを用いて話者属性を転写に組み込む新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-27T09:01:08Z)
• SVTRv2: CTC Beats Encoder-Decoder Models in Scene Text Recognition [77.28814034644287]
  テキストの不規則性や言語コンテキストのモデル化が可能なCTCモデルであるSVTRv2を提案する。 我々は,SVTRv2を標準ベンチマークと最近のベンチマークの両方で広範囲に評価した。 SVTRv2は精度と推論速度の点でほとんどのEDTRを超越している。
  論文  参考訳（メタデータ） (2024-11-24T14:21:35Z)
• VQ-CTAP: Cross-Modal Fine-Grained Sequence Representation Learning for Speech Processing [81.32613443072441]
  テキスト音声(TTS)、音声変換(VC)、自動音声認識(ASR)などのタスクでは、クロスモーダルな粒度(フレームレベル)シーケンス表現が望まれる。 本稿では,テキストと音声を共同空間に組み込むために,クロスモーダルシーケンストランスコーダを用いた量子コントラスト・トーケン・音響事前学習(VQ-CTAP)手法を提案する。
  論文  参考訳（メタデータ） (2024-08-11T12:24:23Z)
• Improving Robustness of Neural Inverse Text Normalization via Data-Augmentation, Semi-Supervised Learning, and Post-Aligning Method [4.343606621506086]
  逆テキスト正規化(ITN)は、特に自動音声認識(ASR)の文脈において、音声形式を書字形式に変換する上で重要である 本稿では,ASR 言語文脈エミュレーションによるペアの強化と,大規模言語モデルにより強化された半教師付き学習手法を用いて,ASR 生成したテキストや音声テキストを利用するダイレクトトレーニング手法を提案する。 提案手法は,様々なASRシナリオにおけるITN性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-12T06:05:57Z)
• 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)
• Unified model for code-switching speech recognition and language identification based on a concatenated tokenizer [17.700515986659063]
  Code-Switching (CS) Multilingual Automatic Speech Recognition (ASR) モデルは会話中に2つ以上の交互言語を含む音声を転写することができる。 本稿では,純粋にモノリンガルなデータソースからASRデータセットをコードスイッチングする新しい手法を提案する。 新たな Concatenated Tokenizer により、ASR モデルは既存のモノリンガルトークンを再利用しながら、出力されたテキストトークンごとに言語IDを生成することができる。
  論文  参考訳（メタデータ） (2023-06-14T21:24:11Z)
• End-to-end speech-to-dialog-act recognition [38.58540444573232]
  本稿では,音声を直接ダイアログに変換するエンド・ツー・エンドのモデルを提案する。 提案モデルでは,対話行動認識ネットワークは,その潜在層において,音声から単語へのASRモデルと結合する。 ネットワーク全体がエンドツーエンドで微調整されている。
  論文  参考訳（メタデータ） (2020-04-23T18:44:27Z)

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。