論文の概要: Structure Before Sampling: Community-Aware Core-Set Selection for Data-Efficient Text-to-Speech

• arxiv url: http://arxiv.org/abs/2609.24275v1
• Date: Mon, 21 Sep 2026 08:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.212777
• Title: Structure Before Sampling: Community-Aware Core-Set Selection for Data-Efficient Text-to-Speech
• Title（参考訳）: サンプリング前の構造:データ効率の良いテキスト音声のためのコミュニティ対応コアセット選択
• Abstract要約: コーパスを音韻グラフとして表現し、各発話を最も音韻的に類似するものにリンクする。 バングラとイングランドのコーパスでは、クラスタリングは199と56倍の大きさのランダムグラフである。 次に、グラフコミュニティをまたいで分析し、それぞれの選択を分散するセレクタであるCommunity Representativeを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-speech (TTS) corpora are costly to record, yet many utterances add little new phonetic information. Core-set selection reduces this cost by choosing a small training subset under a fixed audio-duration budget. We represent a corpus as a phonotactic graph that links each utterance to its most phonemically similar ones, and we first test whether this graph has structure. In Bangla and English corpora, its clustering is 199 and 56 times that of a size-matched random graph, and its modularity is more than twice that of a degree-preserving random graph. We then propose Community Representative, a selector that samples across graph communities and spreads its choices within each one, starting from utterances rich in rare phonemes. At every budget and in both languages, it covers more rare phoneme bigrams than random and entropy-based selection, and this lead holds on held-out utterances. TTS models trained on its 20% core-sets have a significantly lower character error rate (CER) than models trained on equal-duration random or entropy-based subsets in both languages. When all models train for the same number of epochs, the Bangla core-set model also outperforms full-corpus training (3.93% vs. 4.47% CER) with 4.5x less training time.
• Abstract（参考訳）: テキスト音声コーパス(TTS)コーパスは録音に費用がかかるが、多くの発話には音声情報はほとんどない。 コアセットの選択は、固定オーディオデューレーション予算の下で小さなトレーニングサブセットを選択することで、このコストを削減する。 コーパスを音韻グラフとして表現し、各発話を最も音韻的に類似するものとリンクし、このグラフが構造を持つかどうかを最初に検証する。 バングラやイングランドのコーパスでは、クラスタリングはサイズ整合ランダムグラフの199倍と56倍であり、モジュラリティは次数保存ランダムグラフの2倍以上である。 次に、グラフコミュニティをまたいだ選択をそれぞれに分散するセレクタであるCommunity Representativeを提案し、レア音素に富んだ発声から始める。 あらゆる予算と両言語において、ランダムおよびエントロピーに基づく選択よりも稀な音素のビッグラムをカバーしており、このリードは保留の発声に支えられている。 20%のコアセットでトレーニングされたTSモデルは、両方の言語の等倍ランダムまたはエントロピーベースのサブセットでトレーニングされたモデルよりも大幅に低いキャラクタエラー率(CER)を有する。 全てのモデルが同じエポック数のトレーニングを行う場合、バングラコアセットモデルは、トレーニング時間4.5倍のトレーニング時間でフルコーパストレーニング(3.93%対4.47%CER)を上回ります。

関連論文リスト

• VoiceTTA: Enhancing Zero-Shot Text-to-Speech via Reinforcement Learning-Based Test-Time Adaptation [35.0242994611344]
  VoiceTTAは、事前訓練されたゼロショットTSモデルの音声模倣を改善する強化学習ベースのテスト時間適応(TTA)手法である。 実験は、一般的でない音声のプロンプトを大幅に改善し、最先端のベースラインを上回った。
  論文  参考訳（メタデータ） (2026-06-25T02:18:24Z)
• Mega-TTS: Zero-Shot Text-to-Speech at Scale with Intrinsic Inductive Bias [71.94109664001952]
  Mega-TTSは、大規模な野生データで訓練された新しいゼロショットTSシステムである。 Mega-TTS はゼロショット TTS 音声編集や言語間 TTS タスクにおいて最先端 TTS システムを超えていることを示す。
  論文  参考訳（メタデータ） (2023-06-06T08:54:49Z)
• Textless Speech-to-Speech Translation With Limited Parallel Data [51.3588490789084]
  PFBはテキストレスのS2STモデルをトレーニングするためのフレームワークで、数十時間の並列音声データしか必要としない。 3つのドメインで英語、ドイツ語、マラティー語、英語の翻訳をトレーニングし、評価する。
  論文  参考訳（メタデータ） (2023-05-24T17:59:05Z)
• Quark: Controllable Text Generation with Reinforced Unlearning [68.07749519374089]
  大規模言語モデルは、しばしばユーザの期待に合わない振る舞いを学ぶ。 本稿では,(不必要な)特性を定量化する報酬関数を最適化するアルゴリズムQuarkを紹介する。 未学習の毒性、ネガティブな感情、反復について、我々の実験はQuarkが強いベースラインと最先端の強化学習法の両方より優れていることを示している。
  論文  参考訳（メタデータ） (2022-05-26T21:11:51Z)
• Transfer Learning Framework for Low-Resource Text-to-Speech using a Large-Scale Unlabeled Speech Corpus [10.158584616360669]
  テキスト音声(TTS)モデルのトレーニングには,大規模テキストラベル付き音声コーパスが必要となる。 本稿では、事前学習に大量のラベルなし音声データセットを利用するTSの転送学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T11:26:56Z)
• Direct speech-to-speech translation with discrete units [64.19830539866072]
  本稿では、中間テキスト生成に頼ることなく、ある言語から別の言語に音声を変換する直接音声音声翻訳(S2ST)モデルを提案する。 そこで本稿では,ラベルなし音声コーパスから学習した自己教師付き離散表現の予測を提案する。 対象のテキスト書き起こしが利用可能となると、同一の推論パスで2つのモード出力(音声とテキスト)を同時に生成できる、共同音声認識とテキストトレーニングを備えたマルチタスク学習フレームワークを設計する。
  論文  参考訳（メタデータ） (2021-07-12T17:40:43Z)
• On Training Instance Selection for Few-Shot Neural Text Generation [9.37935464602938]
  数ショットのニューラルテキスト生成におけるトレーニングインスタンスの選択について検討する。 K-meansクラスタリングによる単純な選択戦略を提案する。 生成モデルは3つのテキスト生成タスクにおいてランダムサンプリングよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-07T12:16:16Z)
• Lattice-BERT: Leveraging Multi-Granularity Representations in Chinese Pre-trained Language Models [62.41139712595334]
  中国語のための新しい事前学習パラダイムであるLattice-BERTを提案する。 文中の文字や単語から格子グラフを構築し、これらすべてのテキスト単位をトランスフォーマーに供給します。 本モデルが12層設定で平均1.5%の増加をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-04-15T02:36:49Z)
• Offline Handwritten Chinese Text Recognition with Convolutional Neural Networks [5.984124397831814]
  本稿では,畳み込みニューラルネットワークのみを用いてモデルを構築し,CTCを損失関数として利用する。 ICDAR 2013のコンペでは6.81%の文字誤り率(CER)を達成した。
  論文  参考訳（メタデータ） (2020-06-28T14:34:38Z)
• 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。