論文の概要: Beyond Short Segments : Expanding Speaker Embeddings with Vector Archives

• arxiv url: http://arxiv.org/abs/2609.25007v1
• Date: Sun, 26 Jul 2026 23:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.829444
• Title: Beyond Short Segments : Expanding Speaker Embeddings with Vector Archives
• Title（参考訳）: 短いセグメンテーションを超えて : ベクトルアーカイブによる話者埋め込みの拡張
• Abstract要約: 本稿では,VAM-ECAPA(Vector Archive Mapping ECAPA)を提案する。 システムはスパース特徴を短いセグメントから頑健で識別可能な話者表現にマッピングする。 提案するVAM-ECAPAは,1秒間のテストセグメントにおいて8.334%の高競争性EERを実現する。
• 参考スコア（独自算出の注目度）: 4.0913617519821255
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of state-of-the-art speaker verification (SV) systems severely degrades on short utterances due to insufficient speaker-specific information. To address this critical challenge, we propose the Vector Archive Mapping ECAPA (VAM-ECAPA), a novel system designed to enhance feature extraction from short-duration speech. The core of our system is the Transformer-based Vector Archive Mapping with Statistical Pooling (TVAMSP) module, which enriches information-scarce features by mapping them against a learnable Vector Archive of canonical speaker traits. By integrating the TVAMSP module into a strong WavLM+ECAPA-TDNN baseline, our system learns to map sparse features from short segments into robust, discriminative speaker representations. Experiments on the VoxCeleb1 benchmark show that our proposed VAM-ECAPA achieves a highly competitive EER of 8.334% on 1-second test segments, a 54.8% relative error reduction compared to a conventionally-trained baseline.
• Abstract（参考訳）: 最先端話者検証(SV)システムの性能は、話者固有情報が不十分なため、短い発話で著しく低下する。 この課題に対処するため,短時間音声から特徴抽出を行う新しいシステムであるベクトルアーカイブマッピング ECAPA (VAM-ECAPA) を提案する。 本システムの中核となるのがトランスフォーマーベースのベクトルアーカイブマッピング(Vector Archive Mapping with Statistical Pooling,TVAMSP)モジュールである。 本システムでは,TVAMSPモジュールを強力なWavLM+ECAPA-TDNNベースラインに統合することにより,短区間のスパース特徴を頑健で識別可能な話者表現にマッピングする。 VoxCeleb1 ベンチマーク実験の結果,提案した VAM-ECAPA は 1 秒テストセグメントで8.334% の高い競争性を実現している。

関連論文リスト

• Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics [99.89493037369071]
  音声の重複や遠距離雑音,話者数の変化など,会話の自動音声認識は依然として困難である。 近年のLCMベースのシステムは単一話者のベンチマークでは良好に動作するが、マルチ話者設定におけるロバスト性は不明確である。 重なり、意味的忠実度、話者数、シングルチャンネルとマルチチャネル入力の4つの軸に沿って、LLMベースのアプローチとモジュラーアプローチを体系的に比較する。
  論文  参考訳（メタデータ） (2026-03-24T02:01:21Z)
• Improving Speaker Assignment in Speaker-Attributed ASR for Real Meeting Applications [18.151884620928936]
  本稿では,実生活シナリオにおける話者分散ASR(SA-ASR)システムの最適化を目的とした新しい研究を提案する。 本稿では,Voice Activity Detection (VAD), Speaker Diarization (SD), SA-ASRを含む実生活用パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-11T10:11:29Z)
• Exploring the Integration of Speech Separation and Recognition with Self-Supervised Learning Representation [83.36685075570232]
  本研究は,ASRフロントエンドとしての残響・雑音・残響シナリオにおける音声分離に関する洞察に富んだ研究である。 我々は,マルチチャネル分離法,マスクベースのビームフォーミング,複雑なスペクトルマッピング,およびASRバックエンドモデルで使用する最良の特徴について検討する。 TF-GridNetベースの複素スペクトルマッピングとWavLMベースのSSLRを併用することで、残響WHAMRテストセットにおいて2.5%のワードエラー率が得られる。
  論文  参考訳（メタデータ） (2023-07-23T05:39:39Z)
• Streaming Speaker-Attributed ASR with Token-Level Speaker Embeddings [53.11450530896623]
  本稿では,「誰が何を話したか」を認識可能な,ストリーミング話者対応自動音声認識(SA-ASR)モデルを提案する。 本モデルは,最近提案されたマルチトーカー音声をストリーミング形式で書き起こすためのトークンレベルシリアライズアウトプットトレーニング(t-SOT)に基づいている。 提案モデルでは,従来のストリーミングモデルよりも精度が大幅に向上し,最先端のオフラインSA-ASRモデルに匹敵する,あるいは時として優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-30T21:42:00Z)
• End-to-End Speaker-Attributed ASR with Transformer [41.7739129773237]
  本稿では,エンドツーエンド話者属性自動音声認識システムを提案する。 単調なマルチトーカー音声に対する話者カウント、音声認識、話者識別を共同で行う。
  論文  参考訳（メタデータ） (2021-04-05T19:54:15Z)
• Self-attention encoding and pooling for speaker recognition [16.96341561111918]
  本研究では,非固定長音声音声の識別話者埋め込みを実現するために,タンデム自己認識・プーリング(SAEP)機構を提案する。 SAEPは、テキストに依存しない話者検証に使用される話者埋め込みに、短時間の話者スペクトル特徴を符号化する。 このアプローチをVoxCeleb1と2のデータセットで評価した。
  論文  参考訳（メタデータ） (2020-08-03T09:31:27Z)
• Target-Speaker Voice Activity Detection: a Novel Approach for Multi-Speaker Diarization in a Dinner Party Scenario [51.50631198081903]
  本稿では,TS-VAD(Target-Speaker Voice Activity Detection)手法を提案する。 TS-VADは各時間フレーム上の各話者の活動を直接予測する。 CHiME-6での実験では、TS-VADが最先端の結果を得ることが示された。
  論文  参考訳（メタデータ） (2020-05-14T21:24:56Z)
• Unsupervised Speaker Adaptation using Attention-based Speaker Memory for End-to-End ASR [61.55606131634891]
  エンドツーエンド音声認識(E2E)のためのニューラルチューリングマシンにインスパイアされた教師なし話者適応手法を提案する。 提案モデルでは,学習データから抽出した話者i-vectorを格納し,注意機構を通じてメモリから関連i-vectorを読み取るメモリブロックを含む。 テスト時に補助的な話者埋め込み抽出システムを必要としないMベクトルは、単話者発話のiベクトルと類似の単語誤り率(WER)を達成し、話者変化がある発話のWERを著しく低下させることを示す。
  論文  参考訳（メタデータ） (2020-02-14T18:31:31Z)
• Deep Speaker Embeddings for Far-Field Speaker Recognition on Short Utterances [53.063441357826484]
  深層話者埋め込みに基づく話者認識システムは,制御条件下での大幅な性能向上を実現している。 制御されていない雑音環境下での短い発話に対する話者検証は、最も困難で要求の高いタスクの1つである。 本稿では,a)環境騒音の有無による遠距離話者検証システムの品質向上,b)短時間発話におけるシステム品質劣化の低減という2つの目標を達成するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-14T13:34:33Z)

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。