論文の概要: Orukeet: Multilingual ASR with Frozen Gabor Kernels
- arxiv url: http://arxiv.org/abs/2609.10054v1
- Date: Wed, 09 Sep 2026 11:30:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.004061
- Title: Orukeet: Multilingual ASR with Frozen Gabor Kernels
- Title（参考訳）: Orukeet: 凍ったガボールカーネルを備えた多言語ASR
- Abstract要約: Orukeetは、適応されたParakeetエンコーダの時間フィルタの半分を12,288個のGaborカーネルに置き換えた。
20,146人のFLEURSが25言語で録音し、プールドワードエラーレート(WER)はパラキートの11.01%からオルーキートの9.85%に落ちている。
- 参考スコア（独自算出の注目度）: 1.4085555227308877
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Orukeet replaces half of an adapted Parakeet encoder's temporal filters with 12,288 fitted Gabor kernels, freezes these replacements, and trains the remaining parameters on multilingual and multi-accent data. Final adaptation and checkpoint selection use LibriSpeech test-other. Across 20,146 FLEURS recordings in 25 languages, pooled word error rate (WER) falls from Parakeet's 11.01% to Orukeet's 9.85%, a 10.6% relative reduction. Orukeet has lower WER on 23 of the 25 languages. Orukeet outperforms Parakeet on 61 out of 74 tested splits, including LibriSpeech test-clean (1.46% vs. 1.53% WER), test-other (2.86% vs. 3.14%), and FLEURS English (3.82% vs. 4.28%). All comparisons decode the same audio with matched NeMo settings. The fitted kernels are stored as ordinary convolution weights, retaining Parakeet's architecture and inference operators.
- Abstract（参考訳）: Orukeetは、適応されたParakeetエンコーダの時間フィルタの半分を12,288個のGaborカーネルに置き換え、これらの置換を凍結し、残りのパラメータをマルチリンガルおよびマルチアクセントのデータでトレーニングする。
LibriSpeechテストによる最終適応とチェックポイントの選択。
20,146のFLEURSは25言語で記録されており、プールドワードエラー率(WER)はパラキートの11.01%からオルーキートの9.85%、相対的な10.6%まで低下している。
Orukeetは25言語中23言語でWERを下げている。
Orukeetは74回中61回で、LibriSpeech test-clean (1.46% vs. 1.53% WER)、test-other (2.86% vs. 3.14%)、FLEURS English (3.82% vs. 4.28%)など、Parakeetを上回った。
すべての比較は、NeMo設定にマッチした同じオーディオをデコードする。
実装されたカーネルは通常の畳み込み重みとして格納され、Parakeetのアーキテクチャと推論演算子を保持する。
関連論文リスト
- On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - Statistical Machine Translation Systems of English-Pnar Language Pair : Some Insights of the Emperical Study [7.0625416160480405]
メガラヤのジャイティアヒルズで約0.4百万人が話していたオーストリア語であるPnarは、デジタルコーパスと自然言語処理(NLP)の資源を欠いている。
本稿では,英語とPnar言語対に対する最初の機械翻訳研究について述べる。
論文 参考訳（メタデータ） (2026-08-24T11:29:53Z) - Structure, Association, and Decision Value: Representation-Based Difficulty Estimation for Adaptive Inference in African-Language NLI [0.0]
我々は15のアフリカ諸言語にまたがる自然言語の推論について検討した。
AfriXNLIはXNLIに由来するため、英語、フランス語、スワヒリの構成はXNLIで訓練されたモデルのクリーンな評価には役立たない。
我々の中心的な方法論的発見は、表現統計学は、ある計算的利益の概念に対して統計的に有意であり、他方とは無関係であるということである。
論文 参考訳（メタデータ） (2026-08-19T15:03:51Z) - IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - 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) - 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) - Subtitle-Aligned Fine-Tuning of Whisper for Swiss German ASR: Benchmark Contamination, Convention Mismatch, and an Honest Baseline at 25.6% WER (13.8% cWER) [0.0]
我々は、標準ドイツ語字幕と組み合わせた1,367時間の放送音声を弱監督として使用し、OpenAIのWhisper large-v3をスイスドイツ語ASR向けに微調整した。
我々の最良のモデルは、厳密な解離データに対する正直な評価において、全スイスドイツ語方言テストセット(ASGDTS)で25.6%のWERを達成する。
ASGDTSテストセットで自動訓練されたバニラ・ウィスパーのモデルは、スイスの0つのデータで13.88%のWERを達成した。
論文 参考訳（メタデータ） (2026-05-29T13:43:57Z) - BlasBench: An Open Benchmark for Irish Speech Recognition [0.0]
既存のベンチマークにはアイルランド語が含まれているが、アイルランド語対応のテキスト正規化は適用されていない。
BlasBenchを紹介します。これは、ファダ、レニッション、エクリプシスを保存するスタンドアロンのアイリッシュ・アウェア・ノーマルライザを提供するオープンアセスメントハーネスです。
私たちは、Common Voice Ga-IEとFLEURS ga-IEの4つのアーキテクチャファミリで12のシステムをベンチマークすることで、これを試行しています。
論文 参考訳（メタデータ） (2026-04-12T17:17:54Z) - FLEURS-Kobani: Extending the FLEURS Dataset for Northern Kurdish [0.8164433158925593]
我々は、FLEURSベンチマークの北クルド拡張であるFLEURS-Kobaniを紹介する。
データセットは、検証された発話5,162件で構成され、合計18時間24分である。
ベンチマークカバレッジを、リソース不足のクルド人にも拡張する。
論文 参考訳（メタデータ） (2026-03-31T15:40:01Z) - CS-FLEURS: A Massively Multilingual and Code-Switched Speech Dataset [99.0507412649934]
CS-FLEURSは4つのテストセットから構成されており、52言語にまたがる113の独特な言語ペアをカバーしている。
CS-FLEURSはまた、16のX字対にわたる128時間の生成テキスト音声データのトレーニングセットも提供している。
論文 参考訳（メタデータ） (2025-09-17T16:45:22Z) - RedApt: An Adaptor for wav2vec 2 Encoding \\ Faster and Smaller Speech
Translation without Quality Compromise [66.92823764664206]
我々は,任意のトランスフォーマーベース音声符号化アーキテクチャにシームレスに統合可能な,新しいReduceer AdaptorブロックRedAptを提案する。
事前訓練されたwav2vec 2音声エンコーダをRedAptbrings 41%の高速化、33%のメモリ削減、24%のFLOPを推論で削減した。
論文 参考訳（メタデータ） (2022-10-16T07:58:25Z)
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。