論文の概要: Reasoning Beyond Transcription: Audio Language Models on Child Stuttering Speech

• arxiv url: http://arxiv.org/abs/2609.07968v1
• Date: Mon, 07 Sep 2026 20:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 19:57:11.623848
• Title: Reasoning Beyond Transcription: Audio Language Models on Child Stuttering Speech
• Title（参考訳）: 音声言語モデルを用いた子音発声音声の表現法
• Abstract要約: 子どもの発話は、音響、韻律、言語構造における大人のスピーチとは異なる。 音声言語モデル(ALM)は、音声から強い意味的推論を示すが、混合話者設定で不自由な子音を推論する能力は未解明のままである。 本研究は,子供中心のセマンティック・サマリゼーションと発話内容の包摂という2つの課題を通して検討する。
• 参考スコア（独自算出の注目度）: 9.596167964492588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Child speech differs from adult speech in acoustics, prosody, and linguistic structures. Speech disfluencies (such as repetitions) further challenge automatic understanding. While Audio Language Models (ALMs) show strong semantic reasoning from speech audio, their ability to reason about disfluent child speech in mixed-speaker settings remains unexplored. We investigate this through two tasks: child-focused semantic summarization and speech entailment. Experiments use recordings of children who stutter in mixed speaker interviews without explicit speaker separation. Models are instruction-guided to focus on the child, preserve clinically relevant disfluencies, and avoid adult-speech leakage. Evaluation combines LLM-based judges and reference-based metrics, anchored by transcript-oracle baselines to isolate errors. Results show that while ALMs extract high-level meaning from stuttered speech, reasoning degrades significantly with increased
• Abstract（参考訳）: 子どもの発話は、音響、韻律、言語構造における大人のスピーチとは異なる。 言語障害(繰り返しなど)は、さらに自動理解に挑戦する。 音声言語モデル(ALM)は、音声から強い意味的推論を示すが、混合話者設定で不自由な子音を推論する能力は未解明のままである。 本研究は,子供中心のセマンティック・サマリゼーションと発話内容の包摂という2つの課題を通して検討する。 実験では、明示的な話者分離を伴わずに混合話者インタビューに足を踏み入れた子供の記録を使用する。 モデルは、子供に焦点をあて、臨床的に関係のある分散を保ち、成人の音声リークを避けるよう指導される。 評価はLSMベースの判断と基準ベースのメトリクスを組み合わせており、エラーを分離するためにトランスクリプト・オークル・ベースラインに固定されている。 その結果、ALMは発声音声から高レベルな意味を抽出するが、推論は増大とともに著しく低下することがわかった。

関連論文リスト

• Speaker-Disentangled Chunk-Wise Regression for Syllabic Tokenization [14.571581599991331]
  教師なしシラビックトークン化は、生音声から潜在言語コンテンツ関連構造をキャプチャする離散シラビックトークンを学習することを目的としている。 近年のシラバストークン化手法では,教師が学習したHuBERTを蒸留して,潜在音声フレーム表現をシラバスセグメントに整理する手法が提案されている。 そこで本研究では, 教師対象を一定長のチャンク内に配置し, 教師対象に適応する話者分散型シラビック・トークンーザを提案する。
  論文  参考訳（メタデータ） (2026-07-05T00:39:57Z)
• Can large audio language models understand child stuttering speech? speech summarization, and source separation [3.2684800403907506]
  子どもの発話は、音響、韻律、言語発達における大人のスピーチとは異なる(反復、延長、ブロック) 近年の大規模音声言語モデル (LALM) は, クロスモーダルな音声理解を強く示している。 我々は,現在あるLALMを,インタビュー(混合話者)と読書課題(単一子ども)の2つの設定で評価した。
  論文  参考訳（メタデータ） (2025-10-21T18:53:34Z)
• SpeechR: A Benchmark for Speech Reasoning in Large Audio-Language Models [60.72029578488467]
  SpeechRは、大規模な音声言語モデルにおける音声に対する推論を評価するための統一的なベンチマークである。 事実検索、手続き推論、規範的判断の3つの重要な側面に沿ったモデルを評価する。 11個の最先端のLALMの評価は、高い転写精度が強い推論能力に変換されないことを示している。
  論文  参考訳（メタデータ） (2025-08-04T03:28:04Z)
• ProsodyLM: Uncovering the Emerging Prosody Processing Capabilities in Speech Language Models [70.56468982313834]
  本稿では,韻律学習に適した単純なトークン化方式であるProsodyLMを提案する。 ProsodyLMは事前学習だけで驚くほど多様なプロソディ処理能力を学習できることがわかった。
  論文  参考訳（メタデータ） (2025-07-27T00:59:01Z)
• Self-supervised Speech Models for Word-Level Stuttered Speech Detection [66.46810024006712]
  自己教師付き音声モデルを利用した単語レベルの発声音声検出モデルを提案する。 本評価は, 単語レベルの発声検出において, 従来の手法を超越していることを示す。
  論文  参考訳（メタデータ） (2024-09-16T20:18:20Z)
• MixSpeech: Cross-Modality Self-Learning with Audio-Visual Stream Mixup for Visual Speech Translation and Recognition [51.412413996510814]
  視覚音声の訓練を正規化するために音声音声を利用する多目的自己学習フレームワークであるMixSpeechを提案する。 MixSpeechは雑音の多い環境での音声翻訳を強化し、AVMuST-TED上でのBLEUスコアを+1.4から+4.2に改善した。
  論文  参考訳（メタデータ） (2023-03-09T14:58:29Z)
• Time out of Mind: Generating Rate of Speech conditioned on emotion and speaker [0.0]
  感情によって条件付けされたGANをトレーニングし、与えられた入力テキストに価値ある長さを生成する。 これらの単語長は相対的中性音声であり、テキスト音声システムに提供され、より表現力のある音声を生成する。 我々は,中性音声に対する客観的尺度の精度向上と,アウト・オブ・ボックスモデルと比較した場合の幸福音声に対する時間アライメントの改善を実現した。
  論文  参考訳（メタデータ） (2023-01-29T02:58:01Z)
• Improving Self-Supervised Speech Representations by Disentangling Speakers [56.486084431528695]
  音声における自己教師付き学習は、大規模無意味な音声コーパス上で、音声表現ネットワークを訓練することを含む。 話者を遠ざけることは非常に困難であり、スピーカー情報を削除すればコンテンツも失われる可能性がある。 本稿では,コンテンツが著しく失われることなく,話者のゆがみを解消できる新しいSSL手法を提案する。
  論文  参考訳（メタデータ） (2022-04-20T04:56:14Z)
• Audio-Visual Speech Codecs: Rethinking Audio-Visual Speech Enhancement by Re-Synthesis [67.73554826428762]
  本稿では,AR/VRにおける高忠実度通信のための新しい音声・視覚音声強調フレームワークを提案する。 提案手法は音声・視覚音声の手がかりを利用してニューラル音声のコードを生成することで,ノイズ信号からクリーンでリアルな音声を効率的に合成する。
  論文  参考訳（メタデータ） (2022-03-31T17:57:10Z)
• Comparing Supervised Models And Learned Speech Representations For Classifying Intelligibility Of Disordered Speech On Selected Phrases [11.3463024120429]
  提案手法は,選択したフレーズに対して,混乱した音声の理解度を分類するために,異なる深層学習手法を開発し,比較する。 各種自己申告障害を有する661人の話者から29の単語やフレーズを発話するサンプルを収集した。
  論文  参考訳（メタデータ） (2021-07-08T17:24:25Z)
• Learning to Understand Child-directed and Adult-directed Speech [18.29692441616062]
  人間の言語習得研究は、児童指向の音声が言語学習者に役立つことを示している。 成人指向音声(ADS)と子ども指向音声(CDS)で訓練されたモデルのタスク性能の比較を行った。 CDSが学習の初期段階で有効であることを示す指標が得られたが、最終的には、ADSでトレーニングされたモデルは、同等のタスクパフォーマンスに達し、より一般化される。
  論文  参考訳（メタデータ） (2020-05-06T10:47:02Z)

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。