論文の概要: Phonemizing User-Generated Text: A Benchmark, Taxonomy, and Compositional Approach

• arxiv url: http://arxiv.org/abs/2609.27205v1
• Date: Wed, 23 Sep 2026 01:12:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.816104
• Title: Phonemizing User-Generated Text: A Benchmark, Taxonomy, and Compositional Approach
• Title（参考訳）: ユーザ生成テキストの音素化: ベンチマーク,分類,構成的アプローチ
• Abstract要約: UGTPhonは、英語、ベトナム語、韓国語でユーザ生成テキスト(UGT)のための最初のGrapheme-to-phoneme(G2P)ベンチマークである。 本稿では,正準形式証拠を正確なマッチング検索と段階的復号化によって組み込んだ単純な合成G2P手法を提案する。
• 参考スコア（独自算出の注目度）: 7.735875410938764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-speech systems increasingly process user-generated text (UGT) such as ppl and imo, whose pronunciation must be inferred from the canonical rather than surface form. We introduce UGTPhon, the first grapheme-to-phoneme (G2P) benchmark for UGT in English, Vietnamese, and Korean, together with an inference-grounded taxonomy for fine-grained diagnosis. Existing G2P models and frontier LLMs exhibit a systematic canonical-to-non-canonical performance gap, reaching up to 66.8 PER points. As a benchmark baseline, we propose a simple compositional G2P approach that incorporates canonical-form evidence through exact-match lookup and staged decoding. Across matched ByT5 and Qwen2.5-0.5B backbones, explicit canonical-form modeling consistently reduces non-canonical G2P errors. The 0.5B variant also performs competitively with much larger few-shot frontier LLMs, highlighting the benefit of explicitly modeling canonical-form inference for UGT phonemization.
• Abstract（参考訳）: テキスト音声システムは、plやimoのようなユーザ生成テキスト(UGT)を処理しやすくなっている。 UGTPhonは,英語,ベトナム語,韓国語で最初のG2P(Grapheme-to-phoneme)ベンチマークである。 既存のG2PモデルとフロンティアLSMは、系統的な標準から非標準のパフォーマンスギャップを示し、最大66.8 PERポイントに達する。 ベンチマークベースラインとして、正準形式証拠を正確なマッチングルックアップと段階的復号化によって組み込んだ単純な合成G2Pアプローチを提案する。 ByT5 と Qwen2.5-0.5B のバックボーンに一致するが、明示的な正準形式モデリングは非正準 G2P エラーを一貫して減少させる。 0.5Bの派生型は、UGT音素化のための標準形推論を明示的にモデル化する利点を強調し、より大きな数発のフロンティアLLMと競争的に機能する。

関連論文リスト

• Towards Stress-Aware Sentence-Level Filipino G2P With Weakly-Supervised ByT5 Fine-Tuning [0.22020053359163302]
  Grapheme-to-phoneme conversion (G2P) とは、音素のシーケンスを対応する音素のシーケンスに変換するタスクである。 そこで本研究では,フィリピンにおける文レベルの音素データを取得する方法について検討する。 我々は,3つの文レベルG2Pデータセットに基づいて,多言語語レベルG2Pデータに基づいて事前学習したByT5ベースのモデルを微調整する。
  論文  参考訳（メタデータ） (2026-09-09T10:02:25Z)
• Hacking Generative Perplexity: Why Unconditional Text Evaluation Needs Distributional Metrics [49.443264461057645]
  拡散および連続フローベースの言語モデルは、言語モデリングに対する非自己回帰的な主要な代替手段として現れている。 両方のパラダイムの進歩は、生成的複雑度(gen-PPL)によって圧倒的に追跡される。 我々は、この指標は正しくないと主張している。構築により、gen-PPLは、文法性やセマンティックコヒーレンスではなく、スコアARの下でのみ予測可能性を測定する。
  論文  参考訳（メタデータ） (2026-06-07T02:35:56Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Syntactic Control of Language Models by Posterior Inference [53.823006836309695]
  言語モデルによって生成されたテキストの構文構造を制御することは、明快さ、スタイリスティックな一貫性、解釈可能性を必要とするアプリケーションにとって重要である。 後部推論に基づくサンプリングアルゴリズムは、生成中に対象の選挙区構造を効果的に強制することができると論じる。 提案手法では,提案分布からのサンプリングにより後続分布を推定するモンテカルロ法と,各生成したトークンが所望の構文構造に整合することを保証する統語タグを併用する。
  論文  参考訳（メタデータ） (2025-06-08T14:01:34Z)
• Fast, Not Fancy: Rethinking G2P with Rich Data and Rule-Based Models [2.8948274245812327]
  ホログラフの曖昧さは、G2P変換において重要な課題である。 本稿では、ホモグラフに着目したデータセットを構築するための半自動パイプラインを提案し、その効果を実証する。 我々は、最もよく知られたルールベースのG2PシステムであるeSpeakを高速なホモグラフ対応バージョンであるHomoFast eSpeakに改良する。
  論文  参考訳（メタデータ） (2025-05-19T11:11:12Z)
• Improving Grapheme-to-Phoneme Conversion through In-Context Knowledge Retrieval with Large Language Models [74.71484979138161]
  Grapheme-to-phoneme (G2P)変換は、Text-to-Speech (TTS)システムにおいて重要なステップである。 文脈対応シナリオの処理におけるLLM(Large Language Models)の成功に触発されて,文脈型G2P変換システムを提案する。 ICKRをG2P変換システムに組み込むことの有効性は、Librig2pデータセットで完全に実証されている。
  論文  参考訳（メタデータ） (2024-11-12T05:38:43Z)
• Mitigating the Exposure Bias in Sentence-Level Grapheme-to-Phoneme (G2P) Transduction [44.19022422439438]
  ByT5と呼ばれるT5に基づくトークン化なしバイトレベルモデルは、単語レベルのG2P変換に有望な結果を与えた。 本稿では, 文レベルと段落レベルのG2Pの性能を, 損失に基づくサンプリング手法を用いて緩和することで改善できることを示す。
  論文  参考訳（メタデータ） (2023-08-16T15:49:36Z)
• Stay on topic with Classifier-Free Guidance [57.28934343207042]
  CFGは純粋言語モデリングにおける推論時手法として広く利用できることを示す。 CFG は Pythia, GPT-2 および LLaMA ファミリーモデルの性能をタスクの配列にわたって改善することを示す。
  論文  参考訳（メタデータ） (2023-06-30T17:07:02Z)
• r-G2P: Evaluating and Enhancing Robustness of Grapheme to Phoneme Conversion by Controlled noise introducing and Contextual information incorporation [32.75866643254402]
  ニューラルG2Pモデルはスペルミスのようなグラフエムの正書法の変化に対して極めて敏感であることを示す。 雑音の多い学習データを合成するための3つの制御ノイズ導入法を提案する。 文脈情報をベースラインに組み込んで,トレーニングプロセスの安定化のための堅牢なトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:29:30Z)

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。