論文の概要: Low-Latency Spell Correction for Japanese Music Search Queries

• arxiv url: http://arxiv.org/abs/2609.04262v1
• Date: Wed, 02 Sep 2026 12:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.753997
• Title: Low-Latency Spell Correction for Japanese Music Search Queries
• Title（参考訳）: 日本語楽曲検索における低レイテンシスペル補正
• Abstract要約: 本稿では,日本語検索クエリの低遅延スペル補正を目的とした,BARTに基づくコンパクトなシーケンス・ツー・シーケンス・モデルを提案する。 コアとなるコントリビューションは、現実的なトレーニングデータを生成するスクリプト対応の合成ミススペル生成パイプラインにある。 設計上の重要な決定は、ミススペル前において、混合テキストカタログのタイトルを単一の標準スクリプトに正規化することであり、モデル幻覚の低減に不可欠であることを示す。
• 参考スコア（独自算出の注目度）: 12.88135106660537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spell correction for Japanese search queries presents unique challenges due to the co-existence of four writing scripts (Latin/romaji, hiragana, katakana, and kanji) and the distinct error patterns each script induces. We present a compact BART-based sequence-to-sequence model (3 encoder + 3 decoder layers) designed for low-latency spell correction of Japanese music search queries. The core contribution lies in a script-aware synthetic misspelling generation pipeline that produces realistic training data by combining keyboard-layout models (QWERTY and flick input), phonetic confusion priors mined from real query logs, voiced/unvoiced consonant alternations, and kana case errors. A key design decision is normalizing mixed-script catalog titles to a single canonical script before misspelling synthesis, which we show is critical for reducing model hallucinations. We train a custom byte-level BPE tokenizer on the target music catalog to handle all four scripts in a unified vocabulary. Experiments on a curated evaluation set show that our model achieves an exact-match accuracy of 41.09% and a character error rate (CER) of 11.62%, outperforming edit-distance baselines and achieving the lowest character error rate among all evaluated systems while maintaining sub-4ms inference latency on a single GPU. We further analyze performance across individual scripts and mixed-script queries, demonstrating the effectiveness of script-aware data augmentation through systematic ablation studies.
• Abstract（参考訳）: 日本語検索クエリのスペル補正は,4つのスクリプト(ラテン/ロマジ,ヒラガナ,カタカナ,漢字)の共存と,各スクリプトが引き起こす異なるエラーパターンにより,固有の課題を呈している。 本稿では,BARTに基づく連続列列列モデル(3エンコーダ+3デコーダ層)を提案する。 コアとなるコントリビューションは、キーボードレイアウトモデル(QWERTYとフリック入力)、実際のクエリログから抽出された音声の混乱、音声/無声子音の交替、カナケースエラーを組み合わせることで、現実的なトレーニングデータを生成するスクリプト対応の合成ミススペル生成パイプラインである。 設計上の重要な決定は、ミススペル合成の前に混合テキストカタログのタイトルを単一の標準スクリプトに正規化することであり、モデル幻覚の低減に重要であることを示す。 我々は、ターゲット音楽カタログ上にカスタムバイトレベルのBPEトークンをトレーニングし、4つのスクリプト全てを統一語彙で処理する。 キュレートされた評価セットを用いた実験の結果、我々のモデルは精度が41.09%、文字誤り率(CER)が11.62%、編集距離ベースラインが11.62%で、全ての評価システムで最低の文字誤り率を達成でき、一方のGPU上では4ms以下の推論遅延を維持していることがわかった。 さらに、個別のスクリプトと混合スクリプトクエリのパフォーマンスを解析し、系統的アブレーション研究によりスクリプト認識データ拡張の有効性を実証する。

関連論文リスト

• SN-WER: Script-Normalized WER for Multi-Script Indic ASR Evaluation [0.8243795440723053]
  Script-Normalized WER (SN-WER) は、トレーニングフリーで評価のみのスコアリング手法である。 SN-WERを5つのIndic言語、2つのデータセット、3つのASRモデルで評価した。
  論文  参考訳（メタデータ） (2026-06-01T17:49:10Z)
• Adapting TrOCR for Printed Tigrinya Text Recognition: Word-Aware Loss Weighting for Cross-Script Transfer Learning [0.0]
  Ge'ezスクリプトを用いて印刷されたTigrinyaに対するTrOCRの最初の適応について述べる。 事前学習モデルから、バイトレベルのBPEトークン化器を230Ge'ez文字に拡張する。 すべてのコード、モデルウェイト、評価スクリプトが公開されている。
  論文  参考訳（メタデータ） (2026-04-22T17:43:50Z)
• Tgea: An error-annotated dataset and benchmark tasks for text generation from pretrained language models [57.758735361535486]
  TGEAは、事前訓練された言語モデル(PLM)からテキストを生成するためのエラーアノテートデータセットである。 PLM生成文で発生する24種類の誤りを網羅する誤り分類を作成する。 PLM生成テキストに対する包括的なアノテーションを備えた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-03-06T09:14:02Z)
• Full-text Error Correction for Chinese Speech Recognition with Large Language Model [11.287933170894311]
  大言語モデル(LLM)は自動音声認識(ASR)における誤り訂正の可能性を示している 本稿では,より長い音声記録からASRシステムによって生成された全文における誤り訂正のためのLLMの有効性について検討する。
  論文  参考訳（メタデータ） (2024-09-12T06:50:45Z)
• Do LVLMs Understand Charts? Analyzing and Correcting Factual Errors in Chart Captioning [90.13978453378768]
  生成したチャートキャプションに事実誤りを包括的に分類する。 大規模な人間のアノテーションの取り組みは、様々なチャートキャプションモデルによって作られたキャプションのエラーパターンと頻度に関する洞察を提供する。 分析の結果,GPT-4Vを含む最先端モデルでさえ,事実不正確なキャプションを頻繁に生成していることが判明した。
  論文  参考訳（メタデータ） (2023-12-15T19:16:21Z)
• Persian Typographical Error Type Detection Using Deep Neural Networks on Algorithmically-Generated Misspellings [2.2503811834154104]
  タイポグラフィーによるペルシャのエラータイプ検出は比較的調査の少ない地域である。 本稿では,ペルシャ語文の誤字を検出するための説得力のあるアプローチを提案する。 最終手法の結果は競争力が高く、精度は97.62%、精度は98.83%、リコールは98.61%、速度は他を上回った。
  論文  参考訳（メタデータ） (2023-05-19T15:05:39Z)
• READIN: A Chinese Multi-Task Benchmark with Realistic and Diverse Input Noises [87.70001456418504]
  我々は、Realistic and Diverse Input Noisesを用いた中国のマルチタスクベンチマークREADINを構築した。 READINには4つの多様なタスクとアノテータが含まれており、Pinyin入力と音声入力という2つの一般的な中国語入力方式で元のテストデータを再入力するよう要求する。 我々は、強化された事前訓練された言語モデルと、堅牢なトレーニング手法を用いて実験を行い、これらのモデルがREADINに顕著な性能低下を被ることがしばしば見いだされた。
  論文  参考訳（メタデータ） (2023-02-14T20:14:39Z)
• Thutmose Tagger: Single-pass neural model for Inverse Text Normalization [76.87664008338317]
  逆テキスト正規化(ITN)は自動音声認識において重要な後処理ステップである。 本稿では,ITN例の粒度アライメントに基づくデータセット作成手法を提案する。 タグと入力語との1対1対応により、モデルの予測の解釈性が向上する。
  論文  参考訳（メタデータ） (2022-07-29T20:39:02Z)
• Scarecrow: A Framework for Scrutinizing Machine Text [69.26985439191151]
  我々はScarecrowと呼ばれる新しい構造化されたクラウドソースエラーアノテーションスキーマを導入する。 Scarecrowは1.3kの人文と機械が生成する英語ニューステキストの13kのアノテーションを収集する。 これらの結果は,現在および将来のテキスト生成システムの評価において,Scarecrowアノテーションの価値を示すものである。
  論文  参考訳（メタデータ） (2021-07-02T22:37:03Z)
• On the Robustness of Language Encoders against Grammatical Errors [66.05648604987479]
  我々は、非ネイティブ話者から実際の文法的誤りを収集し、これらの誤りをクリーンテキストデータ上でシミュレートするために敵攻撃を行う。 結果,全ての試験モデルの性能は影響するが,影響の程度は異なることがわかった。
  論文  参考訳（メタデータ） (2020-05-12T11:01:44Z)

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。