論文の概要: The Eloquence submission for Task 2 of the Interspeech 2026 MLC-SLM challenge
- arxiv url: http://arxiv.org/abs/2609.11724v1
- Date: Thu, 10 Sep 2026 15:41:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.422818
- Title: The Eloquence submission for Task 2 of the Interspeech 2026 MLC-SLM challenge
- Title（参考訳）: インタースポーチ2026 MLC-SLMチャレンジ2号の提出状況
- Abstract要約: LoRAを介してVoxtral-Mini-3Bを微調整し、言語間データ拡張、ASR transcript拡張、タイムスタンプ対応オーディオトリミングを行った。
第2に,凍結したVoxtral-24Bモデルにマルチモーダルインコンテキスト学習を適用し,強いラベルバイアスを補正し,0。
第3に、音響的アイデンティティ、セマンティックコンテンツ、知識グラフを組み合わせた3層音声アンコールメモリに基づく学習自由検索システムにおいて、0.68を達成する。
- 参考スコア（独自算出の注目度）: 7.980139831363608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper details the Eloquence team's approach to Task 2 of the 2nd MLC-SLM challenge at Interspeech 2026, which involves multilingual Multiple-Choice Question Answering (MCQA) across 21 languages. Three approaches are explored. First, we fine-tune Voxtral-Mini-3B via LoRA with cross-lingual data augmentation, ASR transcript augmentation and timestamp-aware audio cropping, achieving 0.72 macro-accuracy on evaluation Phase 2. Second, we apply multimodal in-context learning (ICL) to the frozen Voxtral-24B model to correct a strong label bias, reaching 0.81, our best result. Third, a training-free retrieval system based on a three-layer voice-anchored memory combining acoustic identity, semantic content, and a knowledge graph achieves 0.68. All three systems substantially outperform the official baseline.
- Abstract（参考訳）: 本稿では,21言語にまたがる多言語多言語質問回答 (MCQA) を含む第2回MLC-SLMチャレンジのタスク2に対するEloquenceチームのアプローチについて詳述する。
3つのアプローチが検討されている。
まず、LoRAを介してVoxtral-Mini-3Bを微調整し、言語間データ拡張、ASR transcript拡張、タイムスタンプ対応オーディオトリミングを行い、評価フェーズ2で0.72マクロ精度を実現した。
第2に,凍結したVoxtral-24Bモデルにマルチモーダル・インコンテキスト・ラーニング(ICL)を適用し,強いラベルバイアスを補正し,0.81に到達した。
第3に、音響的アイデンティティ、セマンティックコンテンツ、知識グラフを組み合わせた3層音声アンコールメモリに基づく学習自由検索システムにおいて、0.68を達成する。
これら3つのシステムは、公式のベースラインを大幅に上回っている。
関連論文リスト
- SEAR: Segment-Evidence-Aware Routing for Weak-to-Strong Multilingual Speech MCQ [0.0]
本稿では,第2回MLC-SLMチャレンジのタスク2について述べる。
言語モデルは、タイムスタンプ付きASRをコヒーレントなイベントスパンに変換する。
テキストのみのプローブは、データを教師付き微調整や強化学習に用いられる強い音声依存アイテムに分割する。
論文 参考訳（メタデータ） (2026-09-10T10:38:19Z) - Leading-Silence Augmentation and Multi-Stage Synthetic Supervision for the Second MLC-SLM Challenge [28.363948904202932]
The Second Multilingual Conversational Speech Language Model (MLC-SLM) Challenge is evaluate two task over complete, unsegmented multilingual conversation。
どちらのタスクも評価においてオラクルの発話境界や話者ラベルを提供しておらず、タスク2は質問応答訓練セットを提供しない。
我々は,無作為な前根収穫,一貫したタイムスタンプ補正,分布整合強化を施したVibeVoice-ASR-7Bを微調整した。
論文 参考訳（メタデータ） (2026-08-14T10:00:42Z) - An Omnilingual-ASR-Based Speech-LLM System for the 2nd MLC-SLM Challenge [0.0]
本稿では,DiariZen-Large-s80(WavLM-Large)セグメンテーション,埋め込み型2適応クラスタリング,LoRA-OmniASR LLM 7B v2認識器を組み合わせたダイアリゼーション認識システムについて述べる。
公式開発セット(150の会話、21の言語/アクセントのカテゴリ)では、マクロMERが29.27%、公式ベースラインが79.15%、評価セットでは50.23%に達している。
論文 参考訳（メタデータ） (2026-07-14T07:52:39Z) - Diarization-Guided Qwen-ASR Adaptation for Multilingual Two-Speaker Conversational Speech [14.048968602801606]
本稿では,MLC-SLM 2026 Challenge のタスク1における自己設計型幻覚システムについて述べる。
このシステムはモジュラースピーカーダイアリゼーションフロントエンドとチャレンジ適応型Qwen3-ASR-1.7B認識器を組み合わせたものである。
論文 参考訳（メタデータ） (2026-07-09T08:07:34Z) - Bilingual Text-to-Motion Generation: A New Benchmark and Baselines [52.71312720094036]
LLMアノテーションと厳密な手動修正によって構築されたバイリンガルテキスト・モーション・ベンチマークであるBiHumanML3Dを紹介する。
また,CLA(Cross-Lingual Alignment)を用いたバイリンガルモーション拡散合成(BiMD)を提案する。
CLA を用いた BiMD は 0.045 対 0.169 対 R@3 対 80.8% の FID を達成し、単言語拡散モデルと BiHumanML3D の翻訳ベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2026-03-26T08:48:27Z) - LFM2 Technical Report [87.58431408281973]
LFM2は、デバイス上での効率的なデプロイと強力なタスク機能を実現するために設計された、Liquid Foundation Modelsのファミリーである。
LFM2ファミリーは350M-8.3Bパラメータをカバーしており、密度の高いモデル(350M, 700M, 1.2B, 2.6B)と試験用混合物(合計8.3B, 1.5B)を含んでいる。
視覚遅延タスクのためのLFM2-VL,音声のためのLFM2-Audio,検索のためのLFM2-ColBERTを構築した。
論文 参考訳（メタデータ） (2025-11-28T17:56:35Z) - Transsion Multilingual Speech Recognition System for MLC-SLM 2025 Challenge [18.816408172588144]
本稿では,MLC-SLM 2025 Challengeのトラック1用トランスミッション音声チームが開発した,新しい多言語自動音声認識(ASR)システムのアーキテクチャと性能について述べる。
提案システムは,(1)凍結したWhisper-large-v3ベースの音声エンコーダで,大規模事前学習を利用してロバストな音響特徴抽出を実現する。
事前訓練されたモデルとタスク固有の微調整を体系的に組み合わせることで、11言語で9.83%の単語/文字エラー率(WER/CER)を達成した。
論文 参考訳（メタデータ） (2025-08-15T10:39:05Z) - MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。
提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
論文 参考訳（メタデータ） (2024-01-07T08:59:32Z) - MER 2023: Multi-label Learning, Modality Robustness, and Semi-Supervised
Learning [90.17500229142755]
第1回マルチモーダル感情認識チャレンジ(MER 2023)は、ACMマルチメディアで成功した。
本稿では、この課題の背景にある動機を紹介し、ベンチマークデータセットを説明し、参加者に関する統計情報を提供する。
この高品質なデータセットは、特に中国の研究コミュニティにとって、マルチモーダルな感情認識の新しいベンチマークになり得ると考えています。
論文 参考訳（メタデータ） (2023-04-18T13:23:42Z) - M3ST: Mix at Three Levels for Speech Translation [66.71994367650461]
本稿では,M3ST法を3段階に分けて提案し,拡張学習コーパスの多様性を高める。
ファインチューニングの第1段階では、単語レベル、文レベル、フレームレベルを含む3段階のトレーニングコーパスを混合し、モデル全体を混合データで微調整する。
MuST-C音声翻訳ベンチマークと分析実験により、M3STは現在の強いベースラインより優れ、平均的なBLEU29.9の8方向の最先端の結果が得られることが示された。
論文 参考訳（メタデータ） (2022-12-07T14:22:00Z) - Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging
Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。
本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。
生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
論文 参考訳（メタデータ） (2022-06-15T07:20:28Z)
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。