論文の概要: Beyond WER: Entity and Disfluency Recall in Accented Conversational ASR

• arxiv url: http://arxiv.org/abs/2609.20828v1
• Date: Wed, 22 Jul 2026 13:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.678236
• Title: Beyond WER: Entity and Disfluency Recall in Accented Conversational ASR
• Title（参考訳）: WERを超えて - アクセント会話型ASRにおけるエンティティとディフルエンシのリコール
• Abstract要約: インド、インドネシア、ラテンアメリカからの講演者に3段階のパイプラインを提示します。 Qwen2.5-Omni-3Bで微調整されたLoRAアダプタは、1つのフォワードパスで動詞と修正された書き起こしを生成する。 パイプラインは80～85%のエンティティリコール(53～55%から増加)、76～86%のフィラーリコール(5%から増加)、6kのテスト発話で6～10%のWERを実現している。
• 参考スコア（独自算出の注目度）: 0.8808007156832224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ASR systems optimised for Word Error Rate (WER) often miss named entities and filled pauses in accented conversational English, both critical for language-learning feedback. We present a three-stage pipeline for speakers from India, Indonesia, and Latin America: (1) heuristic SQL filters curating entity-rich training data at 2.8x the entity density of random sampling, (2) regional LoRA adapters fine-tuned on Qwen2.5-Omni-3B producing both verbatim and corrected transcripts in a single forward pass, and (3) a six-category error taxonomy validated by an LLM-based judge (83.8% agreement, 210 human-labelled samples). The pipeline achieves 80-85% entity recall (up from 53-55%), 76-86% filler recall (up from <5%), and 6-10% WER across 6k test utterances, outperforming Whisper and a commercial ASR on entity recall while matching a zero-shot 30B model with 10x fewer parameters. Paired bootstrap tests confirm that curation alone accounts for 2.8-4.2 pp of entity recall gain (p<0.0001).
• Abstract（参考訳）: 単語誤り率 (WER) に最適化されたASRシステムは、しばしば名前のついたエンティティを見逃し、アクセント付き会話英語で停止する。 1) ランダムサンプリングのエンティティ密度の2.8倍でエンティティリッチなトレーニングデータをキュレートするヒューリスティックSQLフィルタ,(2) Qwen2.5-Omni-3Bで微調整された地域LoRAアダプタ,(3) LLMベースの審査員(83.8%の合意、210人のサンプル)によって検証された6つのカテゴリーの誤り分類の3段階のパイプラインを提示する。 パイプラインは80-85%のエンティティリコール(53-55%から上昇)、76-86%のフィラーリコール(5%から上昇)、6kのテスト発話で6-10%のWERを実現し、0ショット30Bモデルと10倍のパラメータで一致しながら、エンティティリコールにおいてWhisperと商用ASRを上回った。 ペアリングブートストラップ試験は、キュレーションだけで2.8-4.2ppのエンティティリコールゲイン(p<0.0001)を担っていることを確認した。

関連論文リスト

• Benchmarking and Domain Adaptation of Automatic Speech Recognition (ASR) for Adolescent Health Communication in Ghanaian Languages [0.04246470910715668]
  本稿では,ガーナ語3言語(Twi,Dagbani,Ewe)における青年期の健康コミュニケーションのための自動音声認識(ASR)のエンドツーエンド研究について述べる。 一般ドメイン聖書コーパスと青年性・生殖健康(ASRH)ドメインASRデータセットを用いて,5つのASRシステムをベンチマークした。 微調整によってすべての言語でWERが減少し、最も劇的なのはEweである。
  論文  参考訳（メタデータ） (2026-09-24T13:36:38Z)
• Your Retriever Already Knows: Distribution-Shape QPP for RAG Retrieval Sufficiency [0.0]
  チェコの核レギュレータの展開を動機として,RAGにおける検索効率向上のためのクエリ性能予測(QPP)パラダイムを3つ比較した。 我々の24の非語彙機能は、古典的なQPP文学プールの前に、クエリあたり2msで0.856の重み付き平均AUROCに達する。 LLM判定を1つの特徴(ハイブリッド)として加えると、ViDoRe(0.863)ではS1と一致するが、SJBでは統計的に有意なエッジが得られる。
  論文  参考訳（メタデータ） (2026-09-10T14:52:16Z)
• Locale-Conditioned Few-Shot Prompting Mitigates Demonstration Regurgitation in On-Device PII Substitution with Small Language Models [2.2228811750157482]
  PIIのリアクションは通常、検出されたエンティティを[PERSON]のようなプレースホルダートークンに置き換える。 我々は、PIIを一貫した型保存型偽値で置き換える完全なオンデバイスパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-13T13:47:11Z)
• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models [60.14219417402433]
  LLMエージェントの既存のメモリベンチマークは、事実の明示的なリコールを評価するが、意識的な検索なしに、経験が自動的な振る舞いになる暗黙の記憶を見落としている。 IndicitMemBenchは、非宣言的メモリの標準的な認知科学のアカウントから引き出された3つの構造を通して暗黙的メモリを評価する最初の体系的なベンチマークである。 当社の300イテムスイートでは,初動採点を備えたLearning/Priming-Interfere-Testプロトコルを統一しています。
  論文  参考訳（メタデータ） (2026-04-09T10:26:32Z)
• Benchmarking Multilingual Speech Models on Pashto: Zero-Shot ASR, Script Failure, and Cross-Domain Evaluation [0.0]
  Pashtoは、約6000～8000万人が話すが、共有公開テストセット上での多言語自動音声認識(ASR)のベンチマークは公開されていない。 本稿では,公開Pashtoデータに対する最初の再現可能なマルチモデル評価を行い,ゼロショットASR,スクリプトレベルの故障,微調整モデルのクロスドメイン評価について報告する。
  論文  参考訳（メタデータ） (2026-04-06T11:23:42Z)
• Qwen3-ASR Technical Report [71.87071808763484]
  2つの強力なオールインワン音声認識モデルと、新しい非自己回帰音声強制アライメントモデルを含むQwen3-ASRファミリを紹介する。 Qwen3-ASR-1.7BとQwen3-ASR-0.6Bは、言語識別と52の言語および方言のASRをサポートするASRモデルである。
  論文  参考訳（メタデータ） (2026-01-29T06:58:13Z)
• Text Classification via Large Language Models [63.1874290788797]
  テキスト分類に関わる複雑な言語現象に対処するために、Clue And Reasoning Prompting (CARP)を導入する。 注目すべきは、CARPが5つの広く使用されているテキスト分類ベンチマークのうち4つで新しいSOTAパフォーマンスを得ることだ。 さらに重要なのは、CARPが低リソースとドメイン適応のセットアップで素晴らしい能力を提供します。
  論文  参考訳（メタデータ） (2023-05-15T06:24:45Z)

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。