論文の概要: ToneCL: Contrastive Learning for Few-Shot Syllable-Level Tone Classification
- arxiv url: http://arxiv.org/abs/2609.24903v1
- Date: Mon, 21 Sep 2026 17:09:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.424371
- Title: ToneCL: Contrastive Learning for Few-Shot Syllable-Level Tone Classification
- Title（参考訳）: ToneCL:Few-Shot Syllable-Level Tone 分類のためのコントラスト学習
- Abstract要約: トーン言語は世界の言語の50-70%以上を占めるが、大多数は低リソースである。
既存のデータセットは通常文レベルで収集されるが、フィールド言語学者は微粒な音節レベルのアノテーションを必要とする。
音節レベルの音節分類のための軽量コントラスト学習フレームワークであるToneCLを提案する。
- 参考スコア（独自算出の注目度）: 2.067368162464785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tone languages constitute over 50-70% of the world's languages, but the vast majority are low-resource, lacking the large transcribed corpora needed for automatic tone classification. Existing datasets are typically collected at the sentence level, whereas field linguists require fine-grained syllable-level annotations. We propose ToneCL, a lightweight contrastive learning framework for few-shot syllable-level tone classification. We simulate low-resource conditions on Mandarin and Vietnamese, limiting labeled data to tens of examples per tone class. ToneCL is pretrained on unlabeled speech with augmentations that preserve tonal identity, then fine-tuned on few-shot examples. Experiments show our method consistently outperforms baselines, achieving 91.6% on six-speaker Mandarin at 10 shots. Cross-lingual transfer is also effective: pretraining on Vietnamese and fine-tuning on Mandarin reaches 91.0\% accuracy at 10 shots. Ablation confirms that frequency band rejection is the most critical augmentation.
- Abstract（参考訳）: トーン言語は世界の言語の50-70%以上を占めるが、大多数は低リソースであり、自動トーン分類に必要な大きな転写コーパスが欠如している。
既存のデータセットは通常文レベルで収集されるが、フィールド言語学者は微粒な音節レベルのアノテーションを必要とする。
音節レベルの音節分類のための軽量コントラスト学習フレームワークであるToneCLを提案する。
我々はマンダリンとベトナムの低リソース条件をシミュレートし、ラベル付きデータをトーンクラス毎に数十の例に制限する。
ToneCLは、音節のアイデンティティを保ったラベルなしの音声で事前訓練され、数ショットの例で微調整される。
実験の結果,本手法はベースラインを一貫して上回り,マンダリンを10発で91.6%上回った。
ベトナム語での事前訓練とマンダリンでの微調整は10ショットで91.0\%の精度に達する。
アブレーションは周波数帯域の拒絶が最も重要な増大であることを確認した。
関連論文リスト
- BlueMagpie-TTS: A Token-Efficient Tokenizer, Language Model, and TTS for Taiwanese-Accent Code-Switching Speech [33.56852513195373]
テキスト音声システム(TTS)は台湾語にはあまり適応していない。
これらの問題は一つのルーツを共有している: テキスト側は台湾の文脈に適応していない。
テキストサイドをボトムアップから処理します。
論文 参考訳（メタデータ） (2026-07-07T09:31:19Z) - Making Large Language Models Speak Tulu: Structured Prompting for an Extremely Low-Resource Language [1.0742675209112622]
制御プロンプト下では,構造化プロンプトだけで基本的な会話能力を引き出すことができるかを検討する。
我々は、明示的な文法文書、関連する言語からの高確率トークンの抑制のための負の制約、ロマン化標準化、そして自己再生による品質制御された合成データ生成を組み合わせる。
本手法は,85%の精度で語彙汚染を80%から5%に低減する。
論文 参考訳（メタデータ） (2026-02-17T06:20:09Z) - Simultaneous Speech-to-Speech Translation Without Aligned Data [52.467808474293605]
同時音声翻訳では、ソース音声を対象言語にリアルタイムで翻訳する必要がある。
単語レベルのアライメントを完全に不要にするヒビキゼロを提案する。
Hibiki-Zeroは5つのX-英語タスクの翻訳精度、レイテンシ、音声転送、自然性において最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-02-11T17:41:01Z) - SITA: Learning Speaker-Invariant and Tone-Aware Speech Representations for Low-Resource Tonal Languages [11.655315357810371]
SITAは、事前訓練されたwav2vecスタイルのエンコーダに対して、話者不変性とトーン認識を強制する軽量な適応レシピである。
音色を効果的に表現できない多言語エンコーダであるHmongを主眼として評価した。
論文 参考訳（メタデータ） (2026-01-14T00:42:27Z) - 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) - SLAM: Towards Efficient Multilingual Reasoning via Selective Language Alignment [78.4550589538805]
本稿では,多言語性を扱うレイヤを正確に識別し,微調整する,効率的な多言語推論アライメント手法を提案する。
実験の結果, SLAM法は7Bおよび13BLLMのパラメータの6.5-8%を含む6層のフィードフォワードサブ層のみをチューニングできることがわかった。
論文 参考訳（メタデータ） (2025-01-07T10:29:43Z) - Adversarial Training For Low-Resource Disfluency Correction [50.51901599433536]
ディフルエンシ補正(DC)のための逆学習型シーケンスタグ付けモデルを提案する。
提案手法の利点は,3つのインド語でDCに対して評価することで,合成された非流動データに大きく依存することを示す。
また,本手法は,音声障害によって導入されたASR文字の破面的不一致の除去にも有効である。
論文 参考訳（メタデータ） (2023-06-10T08:58:53Z) - Task-Adaptive Pre-Training for Boosting Learning With Noisy Labels: A
Study on Text Classification for African Languages [23.554544399110508]
本研究は,弱い監督によって誘発されるシミュレートノイズと現実雑音について検討する。
タスク適応型事前学習技術は,ノイズラベルによる学習に有用である。
論文 参考訳（メタデータ） (2022-06-03T09:56:26Z) - Language Contamination Explains the Cross-lingual Capabilities of
English Pretrained Models [79.38278330678965]
一般的な英語事前学習コーパスには、かなりの量の非英語テキストが含まれていることが判明した。
これにより、大規模なデータセットで数十億の外国語トークンが生成される。
そして、これらの少数の非英語データでさえ、それらに基づいて訓練されたモデルの言語間移動を促進することを実証する。
論文 参考訳（メタデータ） (2022-04-17T23:56:54Z) - Emergent Communication Pretraining for Few-Shot Machine Translation [66.48990742411033]
我々は、参照ゲームからの創発的コミュニケーションを介してニューラルネットワークを事前訓練する。
私たちの重要な前提は、実世界の環境の粗悪な近似として、画像に基づくコミュニケーションを基盤にすることで、帰納的に自然言語学習のモデルに偏りが生じる、ということです。
論文 参考訳（メタデータ） (2020-11-02T10:57:53Z) - Towards Zero-shot Learning for Automatic Phonemic Transcription [82.9910512414173]
より難しい問題は、トレーニングデータをゼロにする言語のための音素変換器を構築することだ。
我々のモデルは、トレーニングデータなしで、ターゲット言語で見知らぬ音素を認識できる。
標準的な多言語モデルよりも平均して7.7%の音素誤り率を実現している。
論文 参考訳（メタデータ） (2020-02-26T20:38:42Z)
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。