論文の概要: Model-Agnostic and Language-Agnostic Voice Pipeline Improvement for the Agriculture Domain

• arxiv url: http://arxiv.org/abs/2609.20504v1
• Date: Thu, 17 Sep 2026 14:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.32838
• Title: Model-Agnostic and Language-Agnostic Voice Pipeline Improvement for the Agriculture Domain
• Title（参考訳）: 農業領域におけるモデル非依存・言語非依存音声パイプライン改善
• Abstract要約: FarmerChatは、Digital Greenの小規模農家のためのAIによる農業アドバイザリーアシスタントである。 本稿では,FarmerChat における ASR の品質向上を,基礎となる ASR モデルを微調整したり置き換えたりすることなく,モジュール型でモデルに依存しないパイプラインを提案する。 我々は,ヒンディー語,テルグ語,オディア語における人名付FarmerChat記録におけるパイプラインの評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: FarmerChat is Digital Green's AI-powered agricultural advisory assistant for smallholder farmers, who access it in their own language through text, voice, or photographs. Voice is a critical channel for this population, yet field-recorded speech is challenging for general-purpose automatic speech recognition (ASR) because recordings frequently contain machinery noise, background media, competing speakers, and domain-specific agricultural vocabulary. These conditions disproportionately affect crop, pest, chemical, and quantity terms that carry the meaning of a farmer's query. We present a modular, model-agnostic pipeline for improving ASR quality in FarmerChat without fine-tuning or replacing the underlying ASR model. The pipeline combines gated audio enhancement, speaker diarization and target-speaker selection, ASR, domain-aware correction using a weighted agricultural lexicon, and a quality gate for detecting unreliable transcripts. Only the diarization stage is fine-tuned; all other stages use off-the-shelf models behind common interfaces. We evaluate the pipeline on human-annotated FarmerChat recordings in Hindi, Telugu, and Odia using word error rate (WER) and a domain-weighted error rate that gives greater importance to agricultural terminology. The largest improvements occur on multi-speaker recordings, where target-speaker selection prevents competing speech from entering the transcript. Across the full corpus, the pipeline reduces WER by 16-23% relative on three cloud ASR models and by 5% on an on-device model. On multi-speaker recordings, the reductions are 32-42% for the cloud models and 16% for the on-device model. All reported reductions are statistically significant. These results show that targeted preprocessing, speaker selection, and domain-aware post-processing can substantially improve agricultural speech transcription while preserving the underlying ASR model.
• Abstract（参考訳）: FarmerChatは、Digital GreenのAIによる小規模農家のための農業アドバイザリーアシスタントで、テキスト、音声、写真を通じて独自の言語でそれにアクセスする。 音声は、この人口にとって重要なチャンネルであるが、一般向け自動音声認識(ASR)では、録音には機械ノイズ、背景メディア、競合する話者、ドメイン固有の農業語彙が頻繁に含まれているため、現場記録音声は困難である。 これらの条件は、農夫の問合せの意味を持つ作物、害虫、化学、量という用語に不均等に影響を及ぼす。 本稿では,FarmerChat における ASR の品質向上を,基礎となる ASR モデルを微調整したり置き換えたりすることなく,モジュール型でモデルに依存しないパイプラインを提案する。 このパイプラインは、ゲートオーディオ強調、話者ダイアリゼーション、ターゲットスピーカー選択、ASR、重み付けされた農業レキシコンを用いたドメイン認識補正、および信頼できない転写物を検出するための品質ゲートを組み合わせる。 ダイアリゼーションステージのみが微調整され、他のすべてのステージは共通インターフェースの裏側でオフザシェルフモデルを使用する。 我々は,Hindi,Telugu,OdiaのHuman-Annotated FarmerChat記録のパイプラインを,ワードエラー率(WER)とドメイン重み付きエラー率を用いて評価し,農業用語の重要度を高めた。 最大の改善は、ターゲット話者選択によって競合する音声が文字起こしに入るのを防ぐマルチスピーカ記録である。 完全なコーパス全体にわたって、パイプラインはWERを3つのクラウドASRモデルで16～23%、オンデバイスモデルで5%削減する。 マルチスピーカー記録では、クラウドモデルでは32-42%、オンデバイスモデルでは16%の削減率である。 報告された全ての削減は統計的に有意である。 これらの結果から,ターゲット前処理,話者選択,ドメイン認識後処理は,基礎となるASRモデルを保ちながら,農業用音声の書き起こしを大幅に改善できることが示された。

関連論文リスト

• Qwen-Audio-3.0-ASR Technical Report [52.28849889799101]
  本稿では,Mixture-of-Experts (MoE) LLM-based ASRシステムであるQwen-Audio-3.0-ASRを提案する。 Qwen-Audio-3.0-ASRは8つの主要方言領域にまたがる30の言語と16の中国語方言の転写をサポートしている。 レイテンシに敏感なアプリケーションのための専用ストリーミング変種Qwen-Audio-3.0-ASR-Streamingを開発した。
  論文  参考訳（メタデータ） (2026-09-07T14:30:56Z)
• "Sorry, I Didn't Catch That": How Speech Models Miss What Matters Most [30.735876729204012]
  本研究は, ハイテイクタスクにおける障害モードについて考察する。 OpenAI、Deepgram、Google、Microsoftの15のモデルを、言語的に多様な米国の話者の録音で評価し、平均転写エラー率は44%である。 この害を軽減するために、オープンソースのテキスト音声モデルを用いて、名前付きエンティティの様々な発音を生成する合成データ生成手法を導入する。
  論文  参考訳（メタデータ） (2026-02-12T18:36:09Z)
• Fine-Tuning and Evaluating Conversational AI for Agricultural Advisory [0.5839782776991492]
  大規模言語モデルは農業の助言を約束するが、バニラモデルは推奨されない勧告を示す。 本稿では,会話配信から事実検索を分離するハイブリッドLLMアーキテクチャを提案する。 インドのビハールで行われた作物とクエリの実験では、キュレートされたデータの微調整により、事実のリコールとF1が大幅に改善された。
  論文  参考訳（メタデータ） (2026-02-06T10:18:32Z)
• Benchmarking Automatic Speech Recognition for Indian Languages in Agricultural Contexts [0.0]
  インドにおける農業諮問サービスのデジタル化には、堅牢な自動音声認識システムが必要である。 本稿では,ヒンディー語,テルグ語,オディア語にまたがる農業環境におけるASR性能を評価するためのベンチマークフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-31T15:04:21Z)
• CLAIR-A: Leveraging Large Language Models to Judge Audio Captions [73.51087998971418]
  機械生成オーディオキャプションの評価は、様々な要因を検討する必要がある複雑なタスクである。 本稿では,大規模言語モデルのゼロショット機能を活用するシンプルで柔軟なCLAIR-Aを提案する。 我々の評価では、CLAIR-Aは従来のメトリクスと比較して品質の人的判断を良く予測する。
  論文  参考訳（メタデータ） (2024-09-19T17:59:52Z)
• Dynamic Acoustic Unit Augmentation With BPE-Dropout for Low-Resource End-to-End Speech Recognition [62.94773371761236]
  我々は、OOVレートの高い低リソースセットアップで効果的なエンドツーエンドASRシステムを構築することを検討します。 本稿では,BPE-dropout法に基づく動的音響ユニット拡張法を提案する。 我々の単言語トルココンフォーマーは22.2%の文字誤り率(CER)と38.9%の単語誤り率(WER)の競争結果を確立した。
  論文  参考訳（メタデータ） (2021-03-12T10:10:13Z)
• Learning Explicit Prosody Models and Deep Speaker Embeddings for Atypical Voice Conversion [60.808838088376675]
  本稿では,明示的な韻律モデルと深層話者埋め込み学習を用いたVCシステムを提案する。 韻律補正器は音素埋め込みを取り入れ、典型的な音素持続時間とピッチ値を推定する。 変換モデルは、音素埋め込みと典型的な韻律特徴を入力として、変換された音声を生成する。
  論文  参考訳（メタデータ） (2020-11-03T13:08:53Z)

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。