論文の概要: T-SANDHI: Tone Sandhi-aware Adaptive Network with Decoupled Hybrid Injection for Low-resource Taiwanese Hokkien Speech Recognition

• arxiv url: http://arxiv.org/abs/2609.18194v1
• Date: Wed, 16 Sep 2026 06:31:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.671593
• Title: T-SANDHI: Tone Sandhi-aware Adaptive Network with Decoupled Hybrid Injection for Low-resource Taiwanese Hokkien Speech Recognition
• Title（参考訳）: T-SANDHI-T-SANDHI-Tne Sandhi-aware Adaptive Network with Decoupled Hybrid Injection for Low-Resource Taiwanese Hokkien Speech Recognition (特集:情報ネットワーク)
• Abstract要約: 音声基礎モデルの音調変化を効果的に扱えることを示す。 実際のパフォーマンスボトルネックは、これらの変動と持続する励起音の間の局所的な混乱に起因する。 そこで本稿では,T-SANDHIを用いて表面音響を語彙的意図から明示的に分離する手法を提案する。
• 参考スコア（独自算出の注目度）: 12.941645853947326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Taiwanese Hokkien automatic speech recognition (ASR), prior studies often treat tone sandhi as a major challenge under the assumption that models fail to process implicit phonological variations. However, our experiments on Taiwanese Hokkien reveal that speech foundation models actually handle tone sandhi variations effectively, and the real performance bottleneck stems from a localized confusion between these variations and retained citation tones. To address this, we propose T-SANDHI to explicitly decouple surface acoustics from underlying lexical intent on top of a frozen Whisper backbone. Using a lexicon-guided multi-task learning structure driven by text-derived pseudo labels, our lightweight hybrid injection module integrates independent citation and sandhi phonetic streams via dynamic gating. Extensive evaluation on the TAT-MOE corpus and two blind test sets demonstrates that this explicit disentanglement effectively resolves tonal mapping confusion, outperforming baselines with strict parameter efficiency.
• Abstract（参考訳）: 台湾のほっきえん自動音声認識(ASR)では、モデルが暗黙の音韻変化を処理できないという前提の下で、先行研究はしばしばトーンサンディーを大きな課題として扱う。 しかし,台湾のホッキエンにおける実験では,音声基礎モデルが実際にトーンサンディの変動を効果的に処理していることが判明した。 そこで本研究では,凍結したWhisper背骨の上の語彙意図から表面音響を明示的に分離するT-SANDHIを提案する。 テキスト由来の擬似ラベルによって駆動される辞書誘導型マルチタスク学習構造を用いて,動的ゲーティングによる独立した引用とサンディー音声ストリームを統合する。 TAT-MOEコーパスと2つのブラインドテストセットの広範囲な評価は、この明示的なアンタングルメントがトーンマッピングの混乱を効果的に解決し、厳密なパラメータ効率でベースラインを上回ることを証明している。

関連論文リスト

• Boosting ASR Robustness via Test-Time Reinforcement Learning with Audio-Text Semantic Rewards [8.109014000578766]
  ASR-TRAは、因果介入に触発された新しいテストタイム強化適応フレームワークである。 提案手法は,既存のTTAベースラインよりも低レイテンシを維持しながら高い精度を実現する。 我々のアプローチは、現実の状況に挑戦する上で、ASRシステムをデプロイするための実用的で堅牢なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-03-05T14:43:15Z)
• Efficient Dialect-Aware Modeling and Conditioning for Low-Resource Taiwanese Hakka Speech Processing [23.189436723909406]
  台湾のハッカは、自動音声認識(ASR)において重要な課題を提起する、低リソースで絶滅危惧言語である 本稿では、リカレントニューラルネットワークトランスデューサ(RNN-T)を基盤とした統合フレームワークを提案する。 言語的「コンテンツ」から弁証的「スタイル」を遠ざけるよう設計された方言対応モデリング戦略
  論文  参考訳（メタデータ） (2026-02-26T01:33:54Z)
• CLiFT-ASR: A Cross-Lingual Fine-Tuning Framework for Low-Resource Taiwanese Hokkien Speech Recognition [12.323666705980672]
  CLiFT-ASRは台湾のホッキエンにおける音声認識のための言語横断的な微調整フレームワークである。 最初は音素の太ロアノテーションから音響と音調の表現を学び、次に漢文字の語彙と構文をキャプチャする。 TAT-MOEコーパスの実験は、CLiFT-ASRが文字誤り率を24.88%減少させることを示した。
  論文  参考訳（メタデータ） (2025-11-10T09:03:30Z)
• A Novel Data Augmentation Approach for Automatic Speaking Assessment on Opinion Expressions [8.717610965852037]
  与えられた熟練度の多様な応答を生成するための新しい訓練パラダイムを提案する。 応答を話者対応音声合成により合成音声に変換する。 マルチモーダルな大言語モデルは、整列したテキスト特徴と音声信号を統合して、習熟度を直接予測する。
  論文  参考訳（メタデータ） (2025-06-04T15:42:53Z)
• Disentangling Voice and Content with Self-Supervision for Speaker Recognition [57.446013973449645]
  本稿では,音声における話者の特性と内容の変動を同時にモデル化するアンタングル化フレームワークを提案する。 実験はVoxCelebとSITWのデータセットで実施され、EERとminDCFの平均減少率は9.56%と8.24%である。
  論文  参考訳（メタデータ） (2023-10-02T12:02:07Z)
• 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)
• High-Fidelity Speech Synthesis with Minimal Supervision: All Using Diffusion Models [56.00939852727501]
  最小教師付き音声合成は、2種類の離散音声表現を組み合わせることでTSを分離する。 非自己回帰フレームワークは、制御可能性を高め、持続拡散モデルは、多様化された韻律表現を可能にする。
  論文  参考訳（メタデータ） (2023-09-27T09:27:03Z)

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。