論文の概要: Ruby-ASR: Evidence-Preserving Supervision for Joint Orthographic and Lexical-Reading Recognition

• arxiv url: http://arxiv.org/abs/2609.27289v1
• Date: Wed, 23 Sep 2026 03:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.856107
• Title: Ruby-ASR: Evidence-Preserving Supervision for Joint Orthographic and Lexical-Reading Recognition
• Title（参考訳）: Ruby-ASR: 共同オーソグラフィと語彙認識のためのエビデンス保存スーパービジョン
• Abstract要約: 我々は,従来のターゲットをスパンバウンドの正書法-辞書-読解シーケンスに洗練するRuby-ASRを提案する。 その結果, 読みやすい転写を犠牲にすることなく, 認識対象の精製により語彙再生が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 22.87994031940785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional Japanese automatic speech recognition (ASR) is supervised by an orthographic transcript, although the same written form can correspond to different lexical readings realized in speech. Such utterances receive an identical target, so their reading distinction is absent from the supervision interface and cannot be recovered reliably by post-hoc text-only grapheme-to-phoneme conversion. We present Ruby-ASR, which refines the conventional target into a span-bound orthographic--lexical-reading sequence. Unlike separate full-sentence orthographic and phonological outputs, the ruby representation locally binds each written span to its realized reading and permits deterministic recovery of both views. We instantiate the target under subtitle-style and verbatim-style transcription conventions using a Qwen3-ASR backbone; a mora-level CTC objective provides auxiliary monotonic reading supervision. The experimental results across five Japanese benchmarks show that refining the recognition target can improve lexical-reading recovery without sacrificing readable orthographic transcription. We release the checkpoints and inference code.
• Abstract（参考訳）: 従来の日本語自動音声認識(ASR)は正書法で制御されるが、同じ書式は音声で実現された様々な語彙の読みに対応することができる。 このような発話は同一のターゲットを受信するので、その読み分けの区別は監督インタフェースから外れており、ポストホックテキストのみのGrapheme-to-phoneme変換では確実に回復できない。 本稿では,従来のターゲットをスパンバウンドな正書法-レキシカル-リーディングシーケンスに洗練するRuby-ASRを提案する。 別個の完全文の正書法と音韻的出力とは異なり、ruby表現は、各記述されたスパンを実際の読み出しに局所的に結合し、両方のビューを決定論的に復元することを可能にする。 本研究は,Qwen3-ASRバックボーンを用いて,字幕型および動詞型転写規則の下でターゲットをインスタンス化する。 日本語の5つのベンチマークによる実験結果から,読みやすい転写を犠牲にすることなく,認識対象の精製により語彙読解の回復が向上することが示された。 私たちはチェックポイントと推論コードをリリースします。

関連論文リスト

• DTRNet: Dual Text-Radical Decoding for Handwritten Chinese Text Recognition with Faked Character Detection [23.1626542785567]
  手書き文字認識は、学生の書き起こしだけでなく、偽の文字も検出すべきである。 文字レベルの手法は解釈可能な構造的証拠を提供するが、効率は低い。 ラインレベルの手法は効率的であるが、信頼度に大きく依存しているため、検出に失敗したり、明確な構造的証拠が欠如している。 行レベルの偽文字検出のためのデュアルテキストラディカルデコーディングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-06T10:21:45Z)
• Transcript-Prompted Whisper with Dictionary-Enhanced Decoding for Japanese Speech Annotation [4.314729314139958]
  音声と韻律のラベルを与えられた音声と音声のペアにアノテートする方法を提案する。 音韻ラベリングにおける誤りの訂正に辞書事前知識を用いた復号方式を用いる。 提案手法を用いてアノテートしたラベルで訓練したTTSモデルにより合成された音声の自然性は,手動のアノテーションで訓練したモデルに匹敵することを示す。
  論文  参考訳（メタデータ） (2025-06-09T11:10:24Z)
• Prompting Whisper for Improved Verbatim Transcription and End-to-end Miscue Detection [7.650371454756065]
  本稿では,目的の読解テキストをプロンプトで組み込んだエンドツーエンドアーキテクチャを提案する。 本研究は, 幼児の読解音声と成人非定型音声の2つの事例研究を行い, 提案手法は, 現在の最先端技術と比較して, 動詞の書き起こしと誤検出を改善していることがわかった。
  論文  参考訳（メタデータ） (2025-05-29T16:34:47Z)
• WeCromCL: Weakly Supervised Cross-Modality Contrastive Learning for Transcription-only Supervised Text Spotting [36.88147055723014]
  転写のみのSupervised Text Spottingは、テキストスポッターを文字のみに依存して学習することを目的としている。 我々は、この課題を、弱々しく監視されたクロスモダリティコントラスト学習問題として定式化する。 WeCromCLと呼ばれるシンプルで効果的なモデルを構築し、弱い教師付きでシーンイメージ内の各転写を検出できる。
  論文  参考訳（メタデータ） (2024-07-28T14:58:07Z)
• Looking and Listening: Audio Guided Text Recognition [62.98768236858089]
  野生におけるテキスト認識は、コンピュータビジョンにおける長年の問題である。 近年の研究では、視覚と言語処理がシーンテキスト認識に有効であることが示唆されている。 しかし、既存のアプローチでは、追加、削除、置換といった編集エラーの解決が依然として大きな課題である。 本稿では,メルスペクトル列予測のためのシンプルで効果的な確率的オーディオデコーダであるAudioOCRを提案する。
  論文  参考訳（メタデータ） (2023-06-06T08:08:18Z)
• Cascading and Direct Approaches to Unsupervised Constituency Parsing on Spoken Sentences [67.37544997614646]
  本研究は,教師なし音声補聴における最初の研究である。 目的は, 音声文の階層的構文構造を, 選挙区解析木の形で決定することである。 正確なセグメンテーションだけでは、音声文を正確に解析するのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-15T17:57:22Z)
• End-to-End Page-Level Assessment of Handwritten Text Recognition [69.55992406968495]
  HTRシステムは、文書のエンドツーエンドのページレベルの書き起こしに直面している。 標準メトリクスは、現れる可能性のある不整合を考慮していない。 本稿では、転写精度とROの良さを別々に検討する2つの評価法を提案する。
  論文  参考訳（メタデータ） (2023-01-14T15:43:07Z)
• Discrete Cross-Modal Alignment Enables Zero-Shot Speech Translation [71.35243644890537]
  エンドツーエンド音声翻訳(ST)は、中間転写を生成することなく、ソース言語音声を対象言語テキストに翻訳することを目的としている。 既存のゼロショット法は、音声とテキストの2つのモダリティを共有意味空間に合わせることに失敗する。 音声とテキストの両方のモダリティに適合する離散語彙空間を共用した離散的クロスモーダルアライメント(DCMA)法を提案する。
  論文  参考訳（メタデータ） (2022-10-18T03:06:47Z)

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。