Fugu-MT 論文翻訳(概要): CLASH: Counterfactual Auditing of Lexical and Prosodic Reliance in Spoken Sarcasm Detection

論文の概要: CLASH: Counterfactual Auditing of Lexical and Prosodic Reliance in Spoken Sarcasm Detection

arxiv url: http://arxiv.org/abs/2609.16582v1
Date: Tue, 15 Sep 2026 03:26:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 14:56:08.327806
Title: CLASH: Counterfactual Auditing of Lexical and Prosodic Reliance in Spoken Sarcasm Detection
Title（参考訳）: CLASH:スポンケンサーカスム検出における語彙的・韻律的信頼性の検証
Abstract要約: 発散したサルカズム検出器は、語彙内容、韻律、またはそれらの相互作用を利用することができるが、従来の評価では、どの手がかりが予測を駆動するかは明らかにできない。 CLASHは,原音,語彙保存,韻律保存,およびほぼ中和条件下で各発話を評価する診断フレームワークである。
参考スコア（独自算出の注目度）: 9.4042581141396
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Spoken sarcasm detectors may exploit lexical content, prosody, or their interaction, yet conventional evaluation cannot reveal which cues drive their predictions. We introduce CLASH (Controlled Lexical-Acoustic Separation Harness), a bilingual counterfactual diagnostic framework that evaluates each utterance under original, lexical-preserving, prosody-preserving, and approximately neutralised conditions. We evaluate handcrafted acoustic-feature systems, self-supervised learning (SSL) probes, and large audio language models (LALMs) on CMMA and MUStARD. For target-only Qwen3-Omni, lexical-preserving speech retains a 0.135--0.148 AUROC advantage over prosody-preserving speech after duration balancing, with cluster-bootstrap intervals above zero; alternative lexical resynthesis preserves this advantage. Acoustic interventions shift scores without consistently improving discrimination or changing binary predictions under the evaluated conditions. Context and interaction estimates vary across corpora. These findings distinguish acoustic sensitivity from sarcasm discrimination while exposing duration, identity, and transformation effects.
Abstract（参考訳）: 発散したサルカズム検出器は、語彙内容、韻律、またはそれらの相互作用を利用することができるが、従来の評価では、どの手がかりが予測を駆動するかは明らかにできない。 CLASH (Controlled Lexical-Acoustic separation Harness) は,原音,語彙保存,韻律保存,およびほぼ中和条件下で各発話を評価するバイリンガルカウンターファクト診断フレームワークである。 CMMAおよびMUStARD上で,手作り音響機能システム,自己教師付き学習(SSL)プローブ,大規模音声言語モデル(LALM)の評価を行った。ターゲットのみのQwen3-Omniの場合、語彙保存音声は時間的バランスの後に韻律保存音声よりも0.135--0.148 AUROCの優位性を保持する。音響介入は、評価条件下での識別や二分予測を一貫して改善することなくスコアをシフトさせる。コンテキストと相互作用の見積もりはコーパスによって異なる。以上の結果から,持続時間,同一性,変換効果を呈し,音の知覚と皮肉の識別を区別した。

関連論文リスト

Synthesizing the Lombard Effect: Multi-Level Control of Speech Clarity and Vocal Effort in TTS [61.29502937013759]
声道運動と調音疑似ラベルで訓練されたフローマッチングに基づく音声合成モデルを提案する。提案モデルでは,声の努力や調音の連続的・不整合的な制御を実現するとともに,発話の特定のセグメントを明確にするための単語レベルの強調を可能にする。
論文参考訳（メタデータ） (2026-06-22T11:14:22Z)
Augmenting Dysarthric Speech Severity Assessment with MOS Supervision [13.782589618988501]
本研究は, 音声合成評価から得られたデータを用いて, 変形性音声評価を強化することを提案する。実験により,音声合成評価データの微調整は,知性および自然性予測の両方の性能を一貫して向上させることが示された。
論文参考訳（メタデータ） (2026-06-17T03:29:40Z)
Acoustic Cue Alignment in Audio Language Models for Speech Emotion Recognition [58.25449304752214]
生音声が既に利用可能である場合に、明示的な音響的手がかりが根拠となるかどうかを考察する。標準化されたeGeMAPSパラ言語特徴集合から6つの解釈可能な音響概念トークンを導出する。調整されたトークンは平均リコール(UAR)を改善するが、シャッフル、競合、破損したトークンはパフォーマンスを低下させる。トークンのみの介入は、ALMに基づく感情計算において、オーディオグラウンドドキューの使用、堅牢性、解釈可能性を調べるための実用的な方法である、と我々は主張する。
論文参考訳（メタデータ） (2026-06-05T14:26:06Z)
Read What You Hear: Reference-Free Hypotheses Evaluation with Acoustic Discrepancy [26.09113496795663]
READ(Reference-free hypothesis Evaluation with Acoustic Discrepancy)は、音声信号から直接ASR仮説を評価する新しい尺度である。テキスト仮説が与えられた音声トークンの条件付き確率を計算するために、事前訓練された自己回帰的TSモデルを使用する。実験によると、READは特定の認識エラーと相関し、ASR出力を改善し、最大20%の相対誤差率の削減を達成する。
論文参考訳（メタデータ） (2026-06-03T10:03:19Z)
SocialOmni: Benchmarking Audio-Visual Social Interactivity in Omni Models [86.19617358080016]
Social Omniは、3つのコア次元にわたる対話性の評価を運用するベンチマークである。 Social Omniは2000の知覚サンプルと209の相互作用生成インスタンスの品質管理された診断セットを備えている。本分析により,モデルの知覚的精度と,文脈的に適切な割り込みを生成する能力との間に顕著な疎結合が明らかとなった。
論文参考訳（メタデータ） (2026-03-17T17:58:44Z)
Hallucination Benchmark for Speech Foundation Models [33.92968426403491]
自動音声認識(ASR)システムにおける幻覚とは、基礎となる音響入力(すなわち、音声信号)とは全く無関係な神経性ASRモデルによって生成される流動的でコヒーレントな転写を指す。この明らかな一貫性は、その後の処理段階を誤解させ、特に医療や法のような重要な領域において重大なリスクをもたらす可能性がある。本稿では,ASRにおける幻覚現象を,語彙,音声,形態,意味の4つの相補軸に沿って体系的に分類し,定量化する最初のベンチマークフレームワークであるSHALLOWを紹介する。
論文参考訳（メタデータ） (2025-10-18T16:26:16Z)
Finding My Voice: Generative Reconstruction of Disordered Speech for Automated Clinical Evaluation [30.711896976296483]
ChiReSSDは、子どもの話者の身元を保存し、誤認識を抑える音声認識フレームワークである。提案手法をSTARデータセット上で評価し,語彙精度と話者識別の大幅な向上を報告した。以上の結果から,不整合型TTS再建は多種多様な臨床患者を対象とした個人性保存音声を提供する可能性が示唆された。
論文参考訳（メタデータ） (2025-09-23T16:53:07Z)
The Unreliability of Acoustic Systems in Alzheimer's Speech Datasets with Heterogeneous Recording Conditions [11.00082412847855]
MFCC と Wav2vec 2.0 の2つの音響特性に基づくシステムにより,AD 患者を上向きの性能制御から識別できることが示されている。本研究は,非標準化記録に基づく患者同定のための音響システムの使用に対する警告である。
論文参考訳（メタデータ） (2024-09-11T20:50:45Z)
HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
論文参考訳（メタデータ） (2023-09-27T14:44:10Z)
Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
論文参考訳（メタデータ） (2023-08-09T07:51:40Z)
Discretization and Re-synthesis: an alternative method to solve the Cocktail Party Problem [65.25725367771075]
この研究は、初めて合成に基づくアプローチがこの問題にうまく対応できることを示した。具体的には,離散シンボルの認識に基づく音声分離/強調モデルを提案する。離散シンボルの入力による合成モデルを利用することで、離散シンボル列の予測後、各ターゲット音声を再合成することができる。
論文参考訳（メタデータ） (2021-12-17T08:35:40Z)

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。