論文の概要: PTC-Bias: Phoneme-Level Temporal Competition for Bias Retrieval and Post-Decoding Correction in Speech LLMs

• arxiv url: http://arxiv.org/abs/2609.28727v1
• Date: Wed, 23 Sep 2026 19:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.521962
• Title: PTC-Bias: Phoneme-Level Temporal Competition for Bias Retrieval and Post-Decoding Correction in Speech LLMs
• Title（参考訳）: PTC-Bias:音声LLMにおけるバイアス検索と復号後補正のための音素レベル時間競合
• Abstract要約: 文脈バイアスは音声大言語モデルにおけるレアワード認識を改善する(SpeechLLMs) 音素レベルの時間的競合に基づく2段階のフレームワークであるPTC-Biasを提案する。 LibriSpeechの実験では、2つのSpeechLLMと2000語までのバイアスリストで一貫した利得を示している。
• 参考スコア（独自算出の注目度）: 15.785830014656925
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Contextual biasing improves rare-word recognition in speech large language models (SpeechLLMs), but efficiently exploiting large bias lists remains challenging. We propose PTC-Bias, a two-stage framework based on phoneme-level temporal competition. At the prefill stage, PTC Retrieval performs frame-synchronous phoneme decoding and temporal competition among candidate pronunciations, producing a compact bias-word shortlist and corresponding speech intervals. After SpeechLLM decoding, PTC Correction conducts a second local competition between the retrieved candidates and mismatched transcript spans within these intervals. Selective correction reduces near-homophone and word-segmentation errors while preserving correct transcriptions. Both stages share the same phoneme posteriors and require no additional SpeechLLM forward pass. Experiments on LibriSpeech show consistent gains across two SpeechLLMs and bias lists of up to 2000 words. With Prompt-SLAM-ASR-7B and 2000 bias words, PTC-Bias reduces B-WER by 23.4%/23.9% relative to CTC-Filter on test-clean/test-other, while keeping U-WER nearly unchanged.
• Abstract（参考訳）: 文脈バイアスは、音声大言語モデル(SpeechLLMs)におけるレアワード認識を改善するが、大きなバイアスリストを効率的に活用することは依然として困難である。 音素レベルの時間的競合に基づく2段階のフレームワークであるPTC-Biasを提案する。 プリフィル段階では、PSC Retrievalはフレーム同期音素デコーディングと候補発音間の時間競合を行い、コンパクトなバイアスワードショートリストと対応する音声区間を生成する。 SpeechLLMデコーディングの後、PTC Correctionは、検索された候補と、これらの間隔でミスマッチした書き起こしとを、第2の局所的に競合させる。 選択的訂正は、正しい書き起こしを保ちながら、近接ホモフォンと単語分割誤差を低減させる。 どちらのステージも同じ音素後部を共有しており、追加のSpeechLLMフォワードパスを必要としない。 LibriSpeechの実験では、2つのSpeechLLMと2000語までのバイアスリストで一貫した利得を示している。 Prompt-SLAM-ASR-7B と 2000 のバイアスワードでは、UTC-Bias はテストクリーン/テスト-他の場合の CTC-Filter と比較して B-WER を 23.4%/23.9% 削減し、U-WER はほぼ変わらない。

関連論文リスト

• How to Recognize New Words: A Comparison Between Context Biasing Methods and Speech LLMs [61.601626186678146]
  音声大言語モデル(LLM)に対するWhisperに基づく2つの文脈バイアス法の評価を行った。 文脈バイアス法は、WERのバイアスを最大88%削減し、他の単語はほとんど影響を受けなかった。 音声LLMは読み上げ音声に優れるが、非読み出し音声にはあまり適さないため、散発的数に敏感であり、語順を誘導する。
  論文  参考訳（メタデータ） (2026-08-06T08:45:33Z)
• A Practical Evaluation Method for Long-Form Simultaneous Speech-to-Speech Translation [9.807543197382016]
  シマルS2ST (SimulS2ST) はリアルタイム言語間通信を実現する。 長文SimulS2STの実用的評価法を提案する。
  論文  参考訳（メタデータ） (2026-06-13T02:20:49Z)
• SimulS2S-LLM: Unlocking Simultaneous Inference of Speech LLMs for Speech-to-Speech Translation [14.57248739077317]
  本稿では,LLMをオフラインで学習するSimulS2S-LLMを提案する。 SimulS2S-LLMは、個別の音声トークンを予測し、事前訓練されたボコーダを用いて出力音声を合成することにより、同時音声音声変換(Simul-S2ST)を実現する。
  論文  参考訳（メタデータ） (2025-04-22T01:05:32Z)
• A Non-autoregressive Generation Framework for End-to-End Simultaneous Speech-to-Speech Translation [48.84039953531355]
  同時音声翻訳のための新しい非自己回帰生成フレームワーク(NAST-S2X)を提案する。 NAST-S2Xは、音声テキストと音声音声タスクを統合エンドツーエンドフレームワークに統合する。 3秒未満の遅延で高品質な同時解釈を実現し、オフライン生成において28倍のデコードスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-06-11T04:25:48Z)
• High-precision Voice Search Query Correction via Retrievable Speech-text Embedings [13.4015768521113]
  音声認識システムは、ノイズの多い音声、十分なトレーニングデータがないなど、様々な理由で、リコールに苦しむことがある。 従来の研究では、仮説テキストの潜在的、文脈に関連のある選択肢の巨大なデータベースから書き直し候補を検索することで、リコールを改善することができた。 一般発話においてWERを増大させることなく,文章が候補集合に現れる発話に対して,相対単語誤り率(WER)を6%削減することを示す。
  論文  参考訳（メタデータ） (2024-01-08T20:59:56Z)
• CTC-based Non-autoregressive Speech Translation [51.37920141751813]
  非自己回帰音声翻訳における接続性時間分類の可能性について検討する。 我々は、CTCによって誘導される2つのエンコーダからなるモデルを構築し、ソースおよびターゲットテキストを予測する。 MuST-Cベンチマークの実験では、我々のNASTモデルは平均BLEUスコアが29.5であり、スピードアップは5.67$times$である。
  論文  参考訳（メタデータ） (2023-05-27T03:54:09Z)
• Zero-Shot Text-to-Speech for Text-Based Insertion in Audio Narration [62.75234183218897]
  話者の訓練データなしで自然かつ一貫性のあるターゲット音声を生成する一段階の文脈認識フレームワークを提案する。 変換器をベースとしたデコーダを用いて,編集音声のメルスペクトルを生成する。 これは最近のゼロショット TTS エンジンを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-09-12T04:17:53Z)
• MultiSpeech: Multi-Speaker Text to Speech with Transformer [145.56725956639232]
  Transformer-based text to speech (TTS)モデル(Transformer TTSciteli 2019neural, FastSpeechciteren 2019fastspeech)は、RNNベースのモデルよりもトレーニングと推論効率の利点を示している。 我々はMultiSpeechと呼ばれる堅牢で高品質なマルチスピーカトランスフォーマーTSシステムを開発した。
  論文  参考訳（メタデータ） (2020-06-08T15:05:28Z)

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。