論文の概要: Building a Production Greek-English Speech Recognizer

• arxiv url: http://arxiv.org/abs/2609.13498v1
• Date: Fri, 11 Sep 2026 20:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.343506
• Title: Building a Production Greek-English Speech Recognizer
• Title（参考訳）: ギリシャ語・英語音声認識システムの構築
• Abstract要約: ソフィア (Sophea) はギリシャ語と英語の自動音声認識システムである。 ギリシャ語と英語の単語誤り率,言語識別,幻覚を含む9つの生産ゲートに対して,非音声音声に対するシステムの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We report a multi-month engineering program to build Sophea, a production bilingual Greek-English automatic speech recognition system. We evaluate the system against nine production gates covering Greek and English word error rate, language identification, and hallucinations on non-speech audio. Across twenty-three training iterations and two model architectures, no training-data composition passed all nine gates simultaneously. Meeting the Greek noisy-environment target required about 1,500 steps of dense domain exposure, while preserving English language identification tolerated only about 250 steps, or about 1,250 with a rebalanced mix that reduced Greek accuracy. We describe a six-stage data pipeline in which calibrating an audio-quality filter against in-domain anchors reduced the discarded share of scored Greek audio from 98.7 percent to 10.6 percent. A pre-registered ablation isolated a hallucination defect to one training-data package. A three-model ROVER ensemble increased gate coverage from 4-7 of 9 for individual models to 9 of 9 and reduced overlapping-speech WER from 53.35 percent to 37.87 percent, a 29 percent relative improvement. A separate learned per-clip arbiter over two models is listed as sophea/asr-k1 (preview) on the public Open ASR Leaderboard, with 4.26 percent average WER across eight public English test sets, and reaches 25.88 percent WER on live Greek noisy-environment traffic. We also document five cases in which a measurement tool produced a plausible but incorrect result and seven substantial approaches that were evaluated but not shipped. No model weights or training data are released; we report methodology and quantitative results only.
• Abstract（参考訳）: 本稿では,ギリシャ語とギリシア語による自動音声認識システムであるSopheaを構築するために,数ヶ月のエンジニアリングプログラムを報告する。 ギリシャ語と英語の単語誤り率,言語識別,幻覚を含む9つの生産ゲートに対して,非音声音声に対するシステムの評価を行った。 23回のトレーニングイテレーションと2つのモデルアーキテクチャで、トレーニングデータ構成が9つのゲートを同時に通過することはなかった。 ギリシャの騒音環境の目標を達成するには、およそ1,500歩の密集したドメイン露光が必要であったが、英語の識別は250歩程度しか許容されず、また、ギリシャの精度を低下させるバランスの取れた混合で約1,250歩程度しか許容されなかった。 オーディオ品質のフィルタをドメイン内のアンカーに対して校正する6段階のデータパイプラインについて記述し、スコア付きギリシャ語のオーディオの廃棄シェアを98.7%から10.6%に削減した。 事前に登録したアブレーションは幻覚障害を1つのトレーニングデータパッケージに分離した。 3モデルローバーのアンサンブルは、ゲートカバーを個々のモデルの9の4-7から9の9に増やし、重なり合うWERを53.35パーセントから37.87パーセントに下げた。 オープンASRリーダーボードでは、2つのモデルにまたがる個別の学習用アービターがSophea/asr-k1 (プレビュー)として登録されており、8つの公的な英語テストセットの平均WERは4.26パーセント、ギリシャの騒音環境の交通量では25.88パーセントに達している。 また,測定ツールが妥当だが誤った結果をもたらす5つの事例と,評価されるが出荷されない7つの重要なアプローチを報告した。 モデルウェイトやトレーニングデータはリリースされず、方法論と定量的結果のみを報告します。

関連論文リスト

• Building and Evaluating Fixed-Voice Thai TTS from Synthetic Speech [10.845790025318584]
  低リソース設定では、TSのデプロイは通常、コストのかかる推論を伴う大きな音声閉鎖モデルと、コンパクトな固定音声システムのいずれかを選択する必要がある。 プログラム可能なデータソースとして大規模音声閉鎖モデルを用いて、短い音声参照を合成音声で訓練されたコンパクトな固定音声学習者に変換する第3の経路について検討する。
  論文  参考訳（メタデータ） (2026-09-03T08:03:58Z)
• Robust Assamese Speech Recognition through Controlled Fine-Tuning of Whisper Models [1.4095958360608893]
  本稿ではMozilla Common Voice 24.0-Assamese corpusで学習したWhisper-based Assamese ASRシステムについて述べる。 ハードウェア対応の最適化トレーニングパイプラインは、リソース制約のある環境向けに実装されている。
  論文  参考訳（メタデータ） (2026-07-19T09:54:52Z)
• 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)
• 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)
• Towards stable AI systems for Evaluating Arabic Pronunciations [0.7999703756441757]
  この音素レベルの課題は、単独の文字には共調的手がかりがなく、語彙的文脈がなく、数百ミリ秒しか持たないため、困難であることを示す。 本研究は、アラビア文字の多様で分類されたコーパスを導入し、最先端のwav2vec 2.0モデルが35%の精度しか達成していないことを示す。
  論文  参考訳（メタデータ） (2025-08-27T05:49:15Z)
• Convoifilter: A case study of doing cocktail party speech recognition [59.80042864360884]
  このモデルは、このアプローチにより、ASRの単語誤り率(WER)を80%から26.4%に下げることができる。 我々はオープンに事前学習モデルを共有し、hf.co/nguyenvulebinh/voice-filterのさらなる研究を促進する。
  論文  参考訳（メタデータ） (2023-08-22T12:09:30Z)
• From English to More Languages: Parameter-Efficient Model Reprogramming for Cross-Lingual Speech Recognition [50.93943755401025]
  言語間音声認識のためのニューラルモデル再プログラミングに基づく新しいパラメータ効率学習フレームワークを提案する。 我々は、学習可能な事前学習機能強化に焦点を当てた、異なる補助的ニューラルネットワークアーキテクチャを設計する。 提案手法は,既存のASRチューニングアーキテクチャとその拡張性能を自己監督的損失で向上させる。
  論文  参考訳（メタデータ） (2023-01-19T02:37:56Z)
• 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)
• Effectiveness of Mining Audio and Text Pairs from Public Data for Improving ASR Systems for Low-Resource Languages [15.214673043019395]
  Shrutilipiは、12のインドの言語で6,400時間以上のラベル付きオーディオを含むデータセットです。 平均すると、Shrutilipiは公開ラベル付きデータよりも2.3倍増加する。 We show that that Shrutilipi to the training set of Wav2Vec models to a average down of WER for 7 languages。
  論文  参考訳（メタデータ） (2022-08-26T13:37:45Z)
• Few-shot Learning with Multilingual Language Models [66.49496434282564]
  多様な言語群をカバーするバランスの取れたコーパス上で,多言語の自動回帰言語モデルを訓練する。 私たちの最大のモデルは、20以上の代表言語で数ショットの学習において、新しい最先端の技術を定めています。 本稿では,モデルがどこで成功し,失敗するかを詳細に分析し,特に言語間の文脈内学習を可能にすることを示す。
  論文  参考訳（メタデータ） (2021-12-20T16:52:35Z)
• 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)
• Unsupervised Cross-lingual Representation Learning for Speech Recognition [63.85924123692923]
  XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。 我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。 実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-24T18:25:05Z)

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。