論文の概要: BranchShine-CR: Compact Multilingual IPA Transcription with Self-Conditioned CTC and Consistency Regularization
- arxiv url: http://arxiv.org/abs/2609.29069v1
- Date: Thu, 24 Sep 2026 05:58:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.743437
- Title: BranchShine-CR: Compact Multilingual IPA Transcription with Self-Conditioned CTC and Consistency Regularization
- Title（参考訳）: BranchShine-CR: 自己整合CTCと整合正則化を併用したコンパクト多言語IPA転写
- Abstract要約: BranchShine-CRは国際音声アルファベット(IPA)への多言語転写のための25Mパラメータモデルである
16,646 の IPApack++ テスト発話では、4.47% の IPA 文字誤り率を実現している。
これらの知見は、低リソースオンデバイス発音評価への応用において、限られた計算予算下でのコンパクトIPA認識機能をサポートする。
- 参考スコア（独自算出の注目度）: 0.8999666725996976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce BranchShine-CR, a 25M-parameter model for multilingual transcription into the International Phonetic Alphabet (IPA). It combines log-mel features, a rotary-position E-Branchformer encoder, intermediate self-conditioned connectionist temporal classification (CTC), and consistency regularization across augmented views. On 16,646 shared IPApack++ test utterances, it achieves 4.47% IPA character error rate, a 22.3% relative reduction from ZIPA-CTC-NS, with approximately one-twelfth as many parameters while being trained from scratch. BranchShine-CR also outperforms a similarly sized NeMo Conformer baseline across all 41 dataset language labels. Ablation studies indicate the individual components synergetically acting in model performance contribution. These findings support compact IPA recognition capabilities under limited compute budget, for applications in low-resource on-device pronunciation assessment.
- Abstract（参考訳）: 本稿では,国際音声アルファベット(IPA)への多言語転写のための25MパラメータモデルであるBranchShine-CRを紹介する。
ログメル機能、ロータリーポジションのE-Branchformerエンコーダ、中間的自己条件接続型時間分類(CTC)、拡張ビュー間の一貫性の整合化などが組み合わさっている。
16,646 の IPApack++ テスト発話では、4.47% の IPA 文字誤り率を実現し、ZIPA-CTC-NS から22.3% の相対的な削減を実現した。
BranchShine-CRは、同じ大きさのNeMo Conformerベースラインを、41のデータセット言語ラベルすべてで上回っている。
アブレーション研究は、個々の成分がモデル性能の寄与に相乗的に作用することを示している。
これらの知見は、低リソースオンデバイス発音評価への応用において、限られた計算予算下でのコンパクトIPA認識機能をサポートする。
関連論文リスト
- Correlation-Guided Encoder Selection for Multi-Encoder Large Audio-Language Models [52.59216139491759]
CUES (Correlation-gUided Selection) は、単エンコーダ評価のみから選択中の融合訓練なしで設定された候補をスコアする。
広いトラックAスイートでは、CUESはクロスファミリートリオ(Whisper-medium、mHuBERT-147、Dasheng-base)を選択する。
TrackBテキスト生成では、フォーカスされた音声のみのペア(mHuBERT-147とWavLM-base-plus)で再アンカーする。
論文 参考訳（メタデータ） (2026-09-16T02:41:41Z) - Complexity-Budgeted, Interaction-Aware Interpretable Model for Tabular Data [0.0]
IAIML(Interference Aware Interpretable Machine Learning)を提案する。
IAIMLは適応的な機能単位の離散化、有限グリッド対相互作用スコアリング、分割された説明予算を使用する。
強いペアの相互作用構造と低限界信号を持つデータセットでは、IAIMLはすべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2026-07-08T06:38:34Z) - BranchShine: Compact Raw-Audio-to-IPA Transcription with a RoPE E-Branchformer Encoder [0.8999666725996976]
BranchShineは、軽量な畳み込みフロントエンドと19ブロックのRoPE E-Branchformerエンコーダを備えた生オーディオ-IPAモデルである。
16,660発の多言語テストセットで41の言語ラベルをカバーし、BranchShineは9.19%のホワイトスペース非感受性IPA文字誤り率を得る。
論文 参考訳（メタデータ） (2026-06-22T04:06:28Z) - M-CIF: Multi-Scale Alignment For CIF-Based Non-Autoregressive ASR [41.40686087278435]
連続積分と火災(CIF)機構は、非自己回帰(NAR)音声認識に効果的なアライメントを提供する。
本稿では,文字と音素レベルの調整を段階的にサブワード表現に統合し,多段階アライメントを行うマルチスケールCIF(M-CIF)を提案する。
実験の結果、M-CIFはParaformerベースラインと比較してWERを減少させ、特にCommonVoiceでは4.21%、フランス語では3.05%削減した。
論文 参考訳（メタデータ） (2025-10-25T05:51:02Z) - ZIPA: A family of efficient models for multilingual phone recognition [13.823868439481737]
ZIPAは、言語横断音声認識の最先端性能を向上する効率的な音声モデルのファミリーである。
IPAPack++は17,132時間の正規化音声書き起こしが可能な大規模多言語音声コーパスである。
論文 参考訳（メタデータ） (2025-05-29T07:08:23Z) - Speech collage: code-switched audio generation by collaging monolingual
corpora [50.356820349870986]
Speech Collage は音声セグメントをスプライシングすることでモノリンガルコーパスからCSデータを合成する手法である。
2つのシナリオにおける音声認識における生成データの影響について検討する。
論文 参考訳（メタデータ） (2023-09-27T14:17:53Z) - Convoifilter: A case study of doing cocktail party speech recognition [59.80042864360884]
このモデルは、このアプローチにより、ASRの単語誤り率(WER)を80%から26.4%に下げることができる。
我々はオープンに事前学習モデルを共有し、hf.co/nguyenvulebinh/voice-filterのさらなる研究を促進する。
論文 参考訳（メタデータ） (2023-08-22T12:09:30Z) - CTC Alignments Improve Autoregressive Translation [145.90587287444976]
我々はCTCが共同のCTC/アテンションフレームワークに適用された場合、実際に翻訳に意味があることを論じる。
提案した共同CTC/アテンションモデルは6つのベンチマーク翻訳タスクにおいて純粋アテンションベースラインを上回った。
論文 参考訳（メタデータ） (2022-10-11T07:13:50Z) - Improving Mandarin End-to-End Speech Recognition with Word N-gram
Language Model [57.92200214957124]
外部言語モデル(LM)は、エンドツーエンド(E2E)自動音声認識(ASR)システムの音声認識性能を向上させることができる。
単語レベルの格子をオンザフライで構築し,可能なすべての単語列を考慮可能な,新しい復号アルゴリズムを提案する。
提案手法は,N-gram LMやニューラルネットワーク LM など,サブワードレベルのLMを一貫して上回る。
論文 参考訳（メタデータ） (2022-01-06T10:04:56Z) - Non-autoregressive End-to-end Speech Translation with Parallel
Autoregressive Rescoring [83.32560748324667]
本稿では,非自己回帰モデルに基づく効率的なエンドツーエンド音声翻訳(E2E-ST)フレームワークについて述べる。
我々は,共有エンコーダ上にNARデコーダと補助的な浅層ARデコーダを備えた,Orthrosと呼ばれる統一NAR E2E-STフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-09T16:50:16Z)
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。