論文の概要: TamilEOT: A Dataset and Model for Semantic End-of-Turn Detection in Tamil Telephone Speech

• arxiv url: http://arxiv.org/abs/2609.05631v1
• Date: Fri, 04 Sep 2026 18:09:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.100565
• Title: TamilEOT: A Dataset and Model for Semantic End-of-Turn Detection in Tamil Telephone Speech
• Title（参考訳）: TamilEOT:タミル電話音声における音節終端検出のためのデータセットとモデル
• Abstract要約: TamilEOT: 18,485のラベル付き通話境界は、実際の116の電話通話から切り離された。 2つのオーディオ専用検出器は、Smart Turn v3から微調整されている。 どちらのモデルも、ラップトップのCPU上で150ms未満のシングルスレッドで動作する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A voice agent has to decide, at every pause, whether the user has finished speaking. Without a model of the language that decision falls back to a fixed silence timeout: set it short and the agent interrupts, set it long and every turn pays the full wait. Open semantic end-of-turn detectors exist, but to our knowledge none covers a South Indian language. We release TamilEOT: 18,485 labelled turn boundaries cut from 116 real Tamil telephone conversations, and two audio-only detectors fine-tuned from Smart Turn v3. On a held-out split of 4,168 clips from 30 unseen calls, accuracy rises from 70.30% zero-shot to 83.71% (8.7 MB) and 86.13% (21 MB); ROC-AUC rises from 0.751 to 0.921. Both models run in under 150 ms single-threaded on a laptop CPU. We also report what building it cost. Rule-derived labels, checked against a blind human listening pass, were right 95.9% of the time on the positive class and 44.4% on the negative class, which is below chance, because the rule answered a different question than the model is asked. Replacing them with an audio-LLM labeller measured at 97.5% human agreement cost US$5.69. Of every training lever we measured, only encoder capacity moved the result; three runs at identical config and seed span 0.87 accuracy points, which is the floor below which none of our other deltas mean anything. Replaying the same labelled boundaries through the production VAD and streaming adapter costs a further 2.60 points, and 7.8% of boundaries are never surfaced to the model at all. Data, weights, code and every negative result are public.
• Abstract（参考訳）: 音声エージェントは、ユーザが話し終えたかどうかを、各一時停止時に判断しなければならない。 決定を下す言語モデルがないと、固定されたサイレントタイムアウトにフォールバックする: 短く設定し、エージェントが中断し、長く設定し、すべてのターンがフルウェイトを支払う。 オープンセマンティック・エンド・オブ・ターン検出器は存在するが、我々の知る限り、南インドの言語をカバーしていない。 TamilEOT: 18,485個のラベル付きターンバウンダリを116個の実際のTamil電話会話から切り離し、Smart Turn v3から微調整された2つのオーディオ専用検出器をリリースしました。 30回の未確認通話から4,168本のクリップを分割すると、精度は70.30%ゼロショットから83.71% (8.7 MB)、86.13% (21 MB)に上昇し、ROC-AUCは0.751から0.921に上昇する。 どちらのモデルも、ラップトップのCPU上で150ms未満のシングルスレッドで動作する。 建設費用も報告しています。 盲目の人間のリスニングパスにチェックされたルール由来のラベルは、正のクラスでは95.9%、負のクラスでは44.4%であった。 オーディオ-LLMラベルラを97.5%の人的合意で置き換えると5.69ドルになる。 測定したすべてのトレーニングレバーの中で、エンコーダのキャパシティのみが結果を動かしました。3つの同じ設定で実行され、シードは0.87の精度で実行されます。 生産用VADとストリーミングアダプタを通して同一のラベル付き境界を再生すると、さらに2.60ポイントのコストがかかり、また7.8%のバウンダリがモデルに表されることはない。 データ、重み、コード、ネガティブな結果はすべて公開されています。

関連論文リスト

• VoiceLongMemEval: Do Assistants Remember How You Sounded? [2.3577368017815696]
  現在のベンチマークでは、この対話履歴を、長い地平線上の情報検索、時間的推論、知識更新として評価している。 我々はVoiceLongMemEvalベンチマークを示し、すべての回答は会話のターンに付随するパラ言語的メタデータに依存する。
  論文  参考訳（メタデータ） (2026-09-01T02:06:10Z)
• Beyond the Final Prompt: Measuring the Effect of Within-Conversation Context on AI Answers [0.0]
  管理された商用コーパスと公開PRISMデータセットからサンプリングされた180の英語マルチターン会話に対して、最終ユーザメッセージと要求された回答モデル定数を保持する。 1つはロールラベリングされた会話から、もう1つは最終メッセージから、もう1つは最終メッセージから、もう1つはプレフィックスのみの再構築で160語に制限された。 許容コホートに対する逆確率重み付けの後、完全な会話と孤立した最終回答は44.7%のケースで実質的に異なる。
  論文  参考訳（メタデータ） (2026-08-03T17:40:46Z)
• 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)
• Evaluating Commercial AI Chatbots as News Intermediaries [85.32040752972836]
  ベストシステムは、数時間前に報告されたイベントに関する質問に対して、90%以上の多重選択精度を達成する。 すべてのモデルはヒンディー語で最小の精度を達成する。 原因ではなく検索は エラーの70%以上を 引き起こします
  論文  参考訳（メタデータ） (2026-05-21T17:42:07Z)
• DIA-HARM: Dialectal Disparities in Harmful Content Detection Across 50 English Dialects [6.107850985025956]
  本稿では,50の英語方言における偽情報検出のための最初のベンチマークであるDIA-HARMを提案する。 人間による方言の含有量は1.4-3.6%減少し、一方でAI生成された内容は安定している。 私たちはDIA-HARMフレームワーク、D3コーパス、評価ツールをリリースします。
  論文  参考訳（メタデータ） (2026-04-07T01:43:48Z)
• Benchmarking Multilingual Speech Models on Pashto: Zero-Shot ASR, Script Failure, and Cross-Domain Evaluation [0.0]
  Pashtoは、約6000～8000万人が話すが、共有公開テストセット上での多言語自動音声認識(ASR)のベンチマークは公開されていない。 本稿では,公開Pashtoデータに対する最初の再現可能なマルチモデル評価を行い,ゼロショットASR,スクリプトレベルの故障,微調整モデルのクロスドメイン評価について報告する。
  論文  参考訳（メタデータ） (2026-04-06T11:23:42Z)
• On the Off-Target Problem of Zero-Shot Multilingual Neural Machine Translation [104.85258654917297]
  識別対象言語信号の符号化に失敗すると、オフターゲットとなり、語彙距離が近くなることが判明した。 多言語語彙構築のための言語認識語彙共有(LAVS)を提案する。 我々は11言語で多言語機械翻訳ベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T12:43:31Z)
• Discovering Latent Knowledge in Language Models Without Supervision [72.95136739040676]
  既存の言語モデルをトレーニングするテクニックは、真実と正しく一致していない可能性がある。 本稿では,言語モデルの内部アクティベーション内部の潜伏知識を,純粋に教師なしの方法で直接見つけることを提案する。 本手法は, 教師なし, モデル出力がないにもかかわらず, 大規模言語モデルで表される多様な知識を復元できることを示す。
  論文  参考訳（メタデータ） (2022-12-07T18:17:56Z)
• Unsupervised Speech Recognition [55.864459085947345]
  wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。 我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。 より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
  論文  参考訳（メタデータ） (2021-05-24T04:10:47Z)
• Towards Zero-shot Learning for Automatic Phonemic Transcription [82.9910512414173]
  より難しい問題は、トレーニングデータをゼロにする言語のための音素変換器を構築することだ。 我々のモデルは、トレーニングデータなしで、ターゲット言語で見知らぬ音素を認識できる。 標準的な多言語モデルよりも平均して7.7%の音素誤り率を実現している。
  論文  参考訳（メタデータ） (2020-02-26T20:38:42Z)

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。