論文の概要: A Cross Community Agenda for Speech AI

• arxiv url: http://arxiv.org/abs/2609.13168v1
• Date: Wed, 22 Jul 2026 22:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.516254
• Title: A Cross Community Agenda for Speech AI
• Title（参考訳）: 音声AIのためのクロスコミュニティアジェンダ
• Abstract要約: 音声AIは不完全なコミュニケーションモデルで動作し、不完全なアイデンティティモデルで動作し、そのメトリクスは間違った構成を計測する。 それぞれの問題に対して,人間の多様性を設計するためのソリューションスケッチを提供しています。 これらの手法を分離する場所構造と、プログラム委員会と個々の著者がそれらをまとめるためにできることについて、私たちは詳しく述べています。
• 参考スコア（独自算出の注目度）: 36.3513866676339
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech AI, any AI system that recognizes, transforms, or generates speech, is built and evaluated across two communities with only a small overlap: technical natural language processing (NLP) venues (e.g., ACL, ICASSP, Interspeech), and sociotechnical HCI venues (e.g., ASSETS, CHI, FAccT). In this position paper, we work toward a cross-community synthesis, organizing our critique around three problems: speech AI operates with an incomplete model of communication; it operates with an incomplete model of identity; and its metrics measure the wrong constructs. We draw on AAC as a setting where these failures are most visible and their stakes highest, alongside other underserved speakers - people who stutter, multilingual speakers, and non-binary and transgender users. For each problem we offer solution sketches oriented toward designing for human variability, nearly all of which require quantitative and qualitative methods in combination. We close on the venue structures that hold these methods apart, and on what program committees and individual authors can do to bring them together.
• Abstract（参考訳）: 音声AIは、音声を認識し、変換し、生成するAIシステムであり、技術的自然言語処理(NLP)の会場(例えば、ACL、ICASSP、Interspeech)と社会工学的HCIの会場(例えば、ASSETS、CHI、FAccT)の2つのコミュニティで構築、評価されている。 音声AIは不完全なコミュニケーションモデルで動作し、不完全なアイデンティティモデルで動作し、そのメトリクスは間違った構成を計測する。 私たちはAACを,これらの障害が最も目に見える場所であり,そのリスクが最も高い場所として捉えています。 それぞれの問題に対して,人間の多様性を設計するためのソリューションスケッチを提供しています。 これらの手法を分離する場所構造と、プログラム委員会と個々の著者がそれらをまとめるためにできることについて、私たちは詳しく述べています。

関連論文リスト

• From Speech to Interaction: Analyzing Multimodal Systems in Cocktail-Party Scenarios [68.14493981116665]
  人間は、近くの会話から競合するスピーチをフィルタリングしながら、個々の話者に選択的に出席する能力を持つ。 この「カクテルパーティー」のシナリオは、音声認識システムに深刻な課題を呈している。 CHiME-9 MCoRecタスクは、システムが話者のグループを認識し、各会話を音声視覚入力から書き起こさなければならないテストベッドを提供する。
  論文  参考訳（メタデータ） (2026-08-09T06:11:38Z)
• Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI [4.893345190925178]
  低リソース,内在言語,非標準言語の持続的失敗は,技術的な誤りだけでなく,植民地言語の階層を再現する暗黙的な言語政策でもある,と我々は主張する。 本研究では,ASRとASRを介する音声インタフェースにおいて,3つのハーム(3M)分類法と言語多様性のための7層位置モデルを導入する。
  論文  参考訳（メタデータ） (2026-08-06T15:10:29Z)
• Ouvia: A User-centered Framework for Measuring Usability of Speech Translation in Real-World Communication Scenarios [63.167237308464536]
  音声翻訳(ST)はユーザアプリケーションではますます普及しているが、その評価は非テキスト化テストベッドと全体的な品質に重点を置いている。 実環境における音声翻訳のユーザビリティを評価するための評価フレームワークであるOuviaを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T13:52:21Z)
• Towards Inclusive Communication: A Unified Framework for Generating Spoken Language from Sign, Lip, and Audio [52.859261069569165]
  音声テキスト生成のための手話,唇の動き,音声の多様な組み合わせを扱える最初の統一フレームワークを提案する。 i)不均一な入力を効果的に処理できる統一されたモダリティ非依存アーキテクチャの設計、(ii)モダリティ間の過小評価された相乗効果の探索、特に手話理解における非手動的手がかりとしての唇運動の役割、(iii)個々のタスクに特化した最先端モデルと同等以上のパフォーマンスを達成すること、の3つの目的に焦点をあてる。
  論文  参考訳（メタデータ） (2025-08-28T06:51:42Z)
• UniCoM: A Universal Code-Switching Speech Generator [19.893429976826464]
  Code-Switching (CS) は、1つの話者の発話に含まれる2つ以上の言語間の交替であり、現実世界の会話では一般的である。 高品質で自然なCSサンプルを生成するための新しいパイプラインであるUniCoM(UniCoM)を提案する。 自動音声認識(ASR)と音声テキスト翻訳(S2TT)のための多言語CSコーパスであるコードスイッチングFLEURS(CS-FLEURS)を構築する。
  論文  参考訳（メタデータ） (2025-08-21T05:11:21Z)
• A Vector Quantized Approach for Text to Speech Synthesis on Real-World Spontaneous Speech [94.64927912924087]
  我々は、YouTubeやポッドキャストから現実の音声を使ってTSシステムを訓練する。 最近のText-to-Speechアーキテクチャは、複数のコード生成とモノトニックアライメントのために設計されている。 近年のテキスト・トゥ・スペーチ・アーキテクチャは,いくつかの客観的・主観的尺度において,既存のTSシステムより優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-08T17:34:32Z)
• Towards Generalized Models for Task-oriented Dialogue Modeling on Spoken Conversations [22.894541507068933]
  本稿では,DSTC-10の音声対話課題における知識ベースタスク指向対話モデリングのための一般化モデルの構築について述べる。 我々は,人工誤り注入やラウンドトリップ音声変換など,手書きデータに対する広範なデータ拡張戦略を採用している。 本手法は, 客観的評価では3位, 最終公式評価では2位である。
  論文  参考訳（メタデータ） (2022-03-08T12:26:57Z)
• Hierarchical Summarization for Longform Spoken Dialog [1.995792341399967]
  音声対話の広汎性にもかかわらず、自動音声理解と品質情報抽出は依然として著しく貧弱である。 テキストを理解することに比べ、聴覚コミュニケーションは、話者の拡散、非公式な散文スタイル、構造の欠如など、多くの追加的な課題を生んでいる。 本稿では、2段階のASRとテキスト要約パイプラインを提案し、これらの音声認識課題を解決するためのセマンティックセグメンテーションとマージアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-21T23:31:31Z)

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。