論文の概要: BanglaTurn: A Benchmark and Whisper-Based Model for End-of-Turn Detection in Bangla Speech

• arxiv url: http://arxiv.org/abs/2609.29371v1
• Date: Thu, 24 Sep 2026 10:52:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.847477
• Title: BanglaTurn: A Benchmark and Whisper-Based Model for End-of-Turn Detection in Bangla Speech
• Title（参考訳）: BanglaTurn:バングラ音声の終端検出のためのベンチマークとウィスパーベースモデル
• Abstract要約: バングラ語会話音声における終端検出のためのコーパスと、それに基づいて訓練されたモデルを提案する。 コーパスは、3〜15秒のポッドキャスト音声の35,374のサンプルを格納し、LLMパスと話者ダイアリゼーションを組み合わせたターン状態にラベル付けする。 我々は,エンコーダ層微細調整,マルチスケールプーリング,INT8量子化のそれぞれが寄与するものを報告する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents BanglaTurn, a corpus for end-of-turn detection in Bangla conversational speech, and a model trained on it. The corpus holds 35,374 samples of 3 to 15 s of podcast speech, labelled for turn state by combining speaker diarization with an LLM pass, with every label then checked by a human annotator. The model pairs a Whisper encoder with task-specific classification heads. On a class-balanced test set drawn from a held-out podcast, it reaches 84.33% accuracy (95% CI 80.3 to 88.1) against 69.28% for the Smart-Turn v3 baseline, and lowers the false negative rate from 51.57% to 7.55% at the cost of a higher false positive rate. We report what encoder layer fine-tuning, multi-scale pooling and INT8 quantization each contribute, and latency stays within 165 to 191 ms end to end on CPU.
• Abstract（参考訳）: 本稿では,Bangla会話音声における終端検出コーパスであるBanglaTurnとそのモデルについて述べる。 コーパスには3～15秒のポッドキャスト音声の35,374のサンプルがあり、話者ダイアリゼーションとLSMパスを組み合わせることでターン状態にラベル付けされている。 このモデルは、Whisperエンコーダとタスク固有の分類ヘッドをペアリングする。 ホールドアウトポッドキャストから引き出されたクラスバランステストセットでは、Smart-Turn v3ベースラインの69.28%に対して84.33%の精度(95% CI 80.3から88.1)に達し、偽陰性率を51.57%から7.55%に下げる。 我々は,エンコーダ層微細調整,マルチスケールプーリング,INT8量子化のそれぞれが寄与するものを報告する。

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)
• X-AuT: Progressive Audio-Encoder Compression for Speech LLMs with Cross-Scale Distillation [34.99298958122614]
  X-AuTは、短い振る舞いプローブを通して層の組み合わせを選択するプログレッシブフレームワークである。 表現アライメント、クロススケール蒸留、スケジュールされた学生政治監督、LoRAファインタニングを通じて、プルーニングモデルを復元する。 18から16のオーディオエンコーダ層からQwen3-ASR-0.6Bを圧縮した10の公開英語ベンチマークでは、マクロ平均誤差が5.61%から5.27%に減少する。
  論文  参考訳（メタデータ） (2026-09-10T11:43:17Z)
• From Scores to Evidence: Auditable Decisions Can Improve Speech Deepfake Detection [12.159476982130286]
  音声のディープフェイクは、聞き手や自動化されたシステムを騙すのに十分な説得力のある話者の声を模倣することができる。 ほとんどの検出器は発話ごとに1点のスコアで終わるが、なぜ境界線アイテムが信頼されるべきなのか、延期されたのか、あるいはレビューされるべきなのかは、ほとんど語っていない。 この疑問に答えるには、4つの整列した手がかりを後期校正ステップに伝達する監査可能な決定記録がある。
  論文  参考訳（メタデータ） (2026-09-08T15:38:57Z)
• TamilEOT: A Dataset and Model for Semantic End-of-Turn Detection in Tamil Telephone Speech [0.0]
  TamilEOT: 18,485のラベル付き通話境界は、実際の116の電話通話から切り離された。 2つのオーディオ専用検出器は、Smart Turn v3から微調整されている。 どちらのモデルも、ラップトップのCPU上で150ms未満のシングルスレッドで動作する。
  論文  参考訳（メタデータ） (2026-09-04T18:09:11Z)
• TurnBench: A Multi-Domain Benchmark for Turn-Taking Dynamics in Spoken Dialogue [79.83228182492354]
  自然な会話の話し手は、話と聞き取りを交互に行い、いつ床をつかむか、保持するか、または譲るかをリアルタイムで決める。 そこで本研究では,30時間の人的会話を手作業でラベル付けしたコーパスを,エンド・オブ・ターンと割り込み検出のための標準評価プロトコルと組み合わせたベンチマークTurnBenchを提案する。 一方、割り込み偽陽性は強く型依存的であり、バックチャネル・デンス相互作用スタイルに集中している。
  論文  参考訳（メタデータ） (2026-08-25T23:14:36Z)
• Cybersecurity Detection Classification with Reasoning-enabled Language Models [50.72675435043546]
  セキュリティオペレーションセンター(SOC)の大きな問題は、警告疲労である。 以前の作業では、大きな言語モデル(LLM)がトリアージラベルを直接出力するように促すか、あるいは微調整するが、検出が真の脅威であるかどうかを判断するよう訓練することはない。 我々は、実際の人間ラベルのWindowsエンドポイント検出に対して、推論可能なトリアージ分類器(CoT)を訓練する。
  論文  参考訳（メタデータ） (2026-07-30T16:22:13Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Real-Time Voicemail Detection in Telephony Audio Using Temporal Speech Activity Features [1.066048003460524]
  本稿では,事前学習したニューラル音声活動検出器の音声活動パターンから15の時間的特徴を抽出する軽量なアプローチを提案する。 2つの評価セットで合計764の電話録音を行い、96.1%の精度で合成する。
  論文  参考訳（メタデータ） (2026-04-02T17:43:24Z)
• HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units [81.53783563025084]
  本稿では、BERTのような予測損失に対して、アライメントされたターゲットラベルを提供するオフラインクラスタリングステップを提案する。 提案手法の重要な要素は,マスク領域にのみ予測損失を適用することである。 HuBERTは、より困難なdev-otherおよびtest-other評価サブセットに対して、最大19%と13%の相対的なWER削減を示す。
  論文  参考訳（メタデータ） (2021-06-14T14:14:28Z)

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。