論文の概要: VoxReason: Listener-Free Evaluation of Source-Grounded Speech Planning Before Synthesis

• arxiv url: http://arxiv.org/abs/2609.03203v2
• Date: Mon, 07 Sep 2026 22:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:41.806448
• Title: VoxReason: Listener-Free Evaluation of Source-Grounded Speech Planning Before Synthesis
• Title（参考訳）: VoxReason: 合成前における音源周囲の音声プランニングのリスナーフリー評価
• Abstract要約: VoxReasonは、この合成前のステップを、ソース・グラウンドの音声プランニングのためのリスナー不要なタスクと位置づけている。 システムは、ソース入力された音声プランを出力し、決定論的検証器は、引用の合法性、スロット合意、サポート状態、スキーマの妥当性、およびワンキューの対実的局所性をチェックする。
• 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: Expressive speech systems have to decide how an utterance is delivered before any waveform is rendered. In dialogue agents, narration, and role-conditioned TTS, that planning step sets affect, pitch, energy, rate, pause, emphasis, and stance, yet standard audio metrics rarely show whether those choices were actually licensed by the source record. This leaves a practical evaluation gap: a system may sound plausible while relying on a memorized script instead of the cue that governs delivery. VoxReason casts this pre-synthesis step as a listener-free task for source-grounded speech planning. Systems output a source-cited speaking plan, and a deterministic verifier checks citation legality, slot agreement, unsupported state, schema validity, and one-cue counterfactual locality. On 1,440 checked source-label cases, shortcut controls show why slot accuracy alone is unsafe: a key-lookup oracle reaches 1.000 plan-slot accuracy on seen keys, while an emotion prior still reaches 0.958 slot accuracy on source-key-disjoint cases without citing intensity or identity. In a separate 100-case learned source-key-disjoint comparison, a 7B locality SFT+CF repair improves plan-slot accuracy/locality from 0.684/0.141 to 0.919/1.000, and removing source records lowers citation-required grounded score by 0.488. The resulting benchmark isolates whether planned delivery is warranted by the record before waveform evaluation or listener studies are used.
• Abstract（参考訳）: 表現型音声システムは、任意の波形が描画される前に、発話がどのように配信されるかを決定する必要がある。 対話エージェント、ナレーション、ロールコンディショニングTSでは、プランニングステップセットはピッチ、エネルギー、レート、一時停止、強調、スタンスに影響を及ぼすが、標準的なオーディオメトリクスは、これらの選択が実際にソースレコードによってライセンスされているかどうかを示すことは滅多にない。 システムは、デリバリを管理するキューではなく、暗記されたスクリプトに依存しているように聞こえるかもしれない。 VoxReasonは、この合成前のステップを、ソース・グラウンドの音声プランニングのためのリスナー不要なタスクと位置づけている。 システムは、ソース入力された音声プランを出力し、決定論的検証器は、引用の合法性、スロット合意、サポート状態、スキーマの妥当性、およびワンキューの対実的局所性をチェックする。 1,440のチェック済みソースラベルの場合、ショートカットコントロールは、なぜスロット精度が安全でないのかを示している。 7Bの局所性 SFT+CF 修復は、100ケースの学習したソース/キー/アンジョイント比較において、プランスロットの精度/ローカリティを 0.684/0.141 から 0.919/1.000 に改善し、ソースレコードを削除することで、引用要求のグラウンドスコアを 0.488 に下げる。 得られたベンチマークは、波形評価またはリスナー研究が使用される前に、計画されたデリバリがレコードによって保証されるかどうかを隔離する。

関連論文リスト

• Proof-Carrying Cognition: Closing the Verification Gap with Reality-Settled Reward [0.0]
  言語モデル推論のフロンティアゲインは、推論トレースに関する強化学習によって得られる。 我々は、フィールドの束縛制約が検証ギャップであると主張する。
  論文  参考訳（メタデータ） (2026-09-09T06:24:53Z)
• VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
  テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。 それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。 我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
  論文  参考訳（メタデータ） (2026-09-02T20:36:45Z)
• TelemetrySuffBench: Is Agent Telemetry Sufficient for Failure-Origin Diagnosis? [1.7077233340294056]
  本稿では, 故障検出, 故障オリジンの局所化, 安全な停止を, 不十分な証拠で分離するベンチマークであるTelemetrySuffBenchを紹介する。 統一されたプロトコル、明示的な候補セット、無効なアウトプット会計、サブグループ分析、凍結したブラインドホールドアウトを用いて、5つのフロンティア言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-08-08T03:54:22Z)
• Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis [6.168311548428149]
  診断エビデンスネットワーク(DENet)は、エンコーダに依存しないマルチタスクフレームワークで、出力を構造化されたエビデンスレコードに拡張する。 統計的に有意な精度のコストは発生せず、1,024点の周波数誤差は約6Hzである。 AUROC値0.970と0.871の誤分類を検出し、高信頼体制において差別的のままである。
  論文  参考訳（メタデータ） (2026-07-24T14:09:16Z)
• Trust, but Don't Verify: Epistemic Blind Spots in LLM Source Evaluation [0.0]
  モデルが生成した統計量を検出する能力を持っているが、マルチソース合成においてこの能力を採用していないことを示す。 具体的には、ソースの影響は、解析テキストの分布レジスタに応答するが、数値の有効性には反応しない方法論登録ゲートによって制御される。
  論文  参考訳（メタデータ） (2026-06-03T20:15:48Z)
• Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
  音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。 8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。 FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
  論文  参考訳（メタデータ） (2026-06-02T07:01:33Z)
• What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval [42.66754319854329]
  我々は,刺激同期MEG-to-audio検索を監査フレームワークとして再放送した。 構造的ショートカット、ウィンドウレベルの刺激ロックされたエビデンス、ウィンドウ間のコンテキストアグリゲーションを使用します。 これらの結果は、脳から言語へのパフォーマンスは、単に報告されるのではなく、ソース属性であるべきだことを示唆している。
  論文  参考訳（メタデータ） (2026-05-23T11:23:39Z)
• Convex Low-resource Accent-Robust Language Detection in Speech Recognition [47.409626500688866]
  現在の音声対話システムは、表現されていない方言やアクセントでしばしば失敗する。 音声対話システムパイプラインに理論的に接地した凸最適化技術を統合する新しいフレームワークであるConvex Language Detection (CLD)を提案する。
  論文  参考訳（メタデータ） (2026-05-22T05:06:44Z)
• Calibrated Selective Fact-Checking via Evidence Chain Evaluation [0.16921396880325776]
  エビデンス・チェイン・アセスメント(Evidence Chain Evaluation、ECE)は、不確実な判定による棄権を認める選択的な事実チェックフレームワークである。 ECEは標準精度91.6%、カバレッジ93.7%、回答されたクレームに対する選択精度97.8%を達成している。
  論文  参考訳（メタデータ） (2026-04-15T02:48:05Z)
• Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
  本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。 我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。 VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
  論文  参考訳（メタデータ） (2026-04-03T15:19:46Z)
• Multimodal Consistency-Guided Reference-Free Data Selection for ASR Accent Adaptation [0.05219568203653524]
  ASRアクセント適応のためのマルチモーダル整合性誘導型参照フリーデータ選択パイプラインを提案する。 パイプラインは、共有埋め込み空間における音声テキストアライメントと予測された単語エラー率の2つの基準自由信号を用いて、各仮説をスコアする。 単純なパーセンタイルベースの選択規則は、ノイズ発声を排除しながら微調整のための信頼できる擬似ラベルを保持する。
  論文  参考訳（メタデータ） (2026-02-03T21:35:58Z)
• Quantum-Inspired Audio Unlearning: Towards Privacy-Preserving Voice Biometrics [44.60499998155848]
  QPAudioEraserは量子にインスパイアされたオーディオアンラーニングフレームワークである。 シングルクラス、マルチクラス、シーケンシャル、アクセントレベルの消去シナリオにまたがって、従来のベースラインを一貫して超越している。
  論文  参考訳（メタデータ） (2025-07-29T20:12:24Z)
• Label-Synchronous Speech-to-Text Alignment for ASR Using Forward and Backward Transformers [49.403414751667135]
  本稿では,音声認識のための新しいラベル同期音声テキストアライメント手法を提案する。 提案手法はラベル同期テキストマッピング問題として音声からテキストへのアライメントを再定義する。 自発日本語コーパス(CSJ)を用いた実験により,提案手法が正確な発話方向のアライメントを提供することを示した。
  論文  参考訳（メタデータ） (2021-04-21T03:05:12Z)
• Continual Learning for Fake Audio Detection [62.54860236190694]
  本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。 ASVspoof 2019データセットで実験が行われる。
  論文  参考訳（メタデータ） (2021-04-15T07:57:05Z)
• Knowledge Transfer for Efficient On-device False Trigger Mitigation [17.53768388104929]
  間接的発話は「偽のトリガー」と呼ばれ、プライバシ中心のスマートアシスタントを設計するためには、偽のトリガー緩和(FTM)が不可欠である。 LSTMに基づくFTMアーキテクチャを提案する。このアーキテクチャは,ASRの書き起こしを明示的に生成することなく,音響的特徴から直接ユーザ意図を決定する。
  論文  参考訳（メタデータ） (2020-10-20T20:01:44Z)
• Semi-Supervised Speech Recognition via Local Prior Matching [42.311823406287864]
  局所的な事前マッチングは、強い事前から知識を蒸留する半教師付き目的である。 我々は,LPMが理論的に良好であり,実装が容易であり,既存の知識蒸留技術よりも優れていることを実証した。
  論文  参考訳（メタデータ） (2020-02-24T16:07:11Z)
• End-to-End Automatic Speech Recognition Integrated With CTC-Based Voice Activity Detection [48.80449801938696]
  本稿では,音声活動検出機能とエンドツーエンドの自動音声認識を統合する。 我々は,コネクショニストの時間的分類(CTC)と,同期/アテンションの拡張に焦点を当てた。 簡単なしきい値を用いた音声区間検出のためのキューとしてラベルを用いる。
  論文  参考訳（メタデータ） (2020-02-03T03:36:34Z)

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。