論文の概要: agentic-ger: terminology recovery in long-form speech using global context

• arxiv url: http://arxiv.org/abs/2609.29428v1
• Date: Thu, 24 Sep 2026 11:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.897985
• Title: agentic-ger: terminology recovery in long-form speech using global context
• Title（参考訳）: エージェント・ジェル:大域的文脈を用いた長文音声における用語回復
• Abstract要約: Agentic-GERは、長文音声における用語修正のエージェントである。 これは全文からグローバルな文脈を用いて、疑わしい用語を特定し、曖昧な仮説を解決する。 ソーススピーチを選択的に書き直して、候補の修正をチェックする。
• 参考スコア（独自算出の注目度）: 16.612577796794728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in speech language models have improved automatic speech recognition (ASR) for long-form audio. However, accurately and consistently transcribing domain-specific terminology remains challenging. Motivated by the world knowledge and contextual capability of large language models (LLMs), we propose Agentic-GER, an LLM-based agent for terminology correction in long-form speech. The agent uses global context from the full transcript to identify suspicious terms and resolve ambiguous hypotheses. It selectively re-transcribes the source speech to check candidate corrections, and uses accepted edits to guide subsequent decisions. Experiments with four LLMs and two ASR systems on GigaSpeechBench show consistent terminology improvements in both Chinese and English, with and without thinking. On Chinese speech, Agentic-GER achieves up to a 36.8% relative reduction in biased character error rate (B-CER) over the Whisper baseline.
• Abstract（参考訳）: 近年,音声モデルの改良により,音声の自動音声認識(ASR)が改良されている。 しかし、ドメイン固有の用語を正確かつ一貫して翻訳することは依然として困難である。 大規模言語モデル(LLM)の世界的知識と文脈能力に触発され,LLMに基づく長文音声の用語修正エージェントであるAgentic-GERを提案する。 エージェントは、全文からのグローバルコンテキストを使用して、疑わしい用語を特定し、曖昧な仮説を解決する。 ソーススピーチを選択的に書き直して、候補の修正をチェックする。 GigaSpeechBench上での4つのLLMと2つのASRシステムによる実験は、中国語と英語の両方において、思考なしで一貫した用語的改善を示す。 中国語では、Agentic-GERはWhisperベースライン上でのバイアス付き文字誤り率(B-CER)を最大36.8%減少させる。

関連論文リスト

• AgenticASR: Refining Speech Recognition in Real-World Scenarios via an Agentic Approach [15.617770133323077]
  Agentic Speech Recognition (AgenticASR) は、音声からクリーンテキストのタスクである。 障害を取り除き、自己補正を解決し、書式を正規化する。 AgenticASRは評価システムの中でAASR-Benchスコアが最も高い。
  論文  参考訳（メタデータ） (2026-07-30T13:12:25Z)
• KIT's Submission to Cross-Lingual Voice Cloning in IWSLT 2026 [61.29502937013759]
  言語間音声のクローニングは、ソース言語参照から話者識別を保ちながら、ターゲット言語で音声を生成することを目的としている。 鍵となる課題は、アクセントの変化とドメイン固有の語彙の存在において、知性と自然性を維持することである。 我々は、多言語テキスト音声モデル、FishAudio-S2-Proを構築し、言語制御を改善しアクセントリークを低減するために、言語タグプロンプトを導入する。
  論文  参考訳（メタデータ） (2026-06-05T13:09:21Z)
• Qualitative Evaluation of Language Model Rescoring in Automatic Speech Recognition [6.732553711612198]
  いくつかの指標を用いて,ASRシステムにおける言語モデルを用いた再構成の影響について検討した。 これらの指標は、転写仮説における後部再コーディング段階に適用される言語モデルの言語学的貢献を示す。
  論文  参考訳（メタデータ） (2026-04-30T07:37:16Z)
• SITA: Learning Speaker-Invariant and Tone-Aware Speech Representations for Low-Resource Tonal Languages [11.655315357810371]
  SITAは、事前訓練されたwav2vecスタイルのエンコーダに対して、話者不変性とトーン認識を強制する軽量な適応レシピである。 音色を効果的に表現できない多言語エンコーダであるHmongを主眼として評価した。
  論文  参考訳（メタデータ） (2026-01-14T00:42:27Z)
• WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
  音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。 我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。 改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
  論文  参考訳（メタデータ） (2026-01-08T02:23:21Z)
• CRAT: A Multi-Agent Framework for Causality-Enhanced Reflective and Retrieval-Augmented Translation with Large Language Models [59.8529196670565]
  CRATは、RAGと因果強化自己回帰を利用して翻訳課題に対処する、新しいマルチエージェント翻訳フレームワークである。 以上の結果からCRATは翻訳精度を著しく向上させ,特に文脈に敏感な単語や語彙の出現に寄与することが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T14:29:11Z)
• Towards Unsupervised Speech Recognition Without Pronunciation Models [57.222729245842054]
  本稿では,ペア音声とテキストコーパスを使わずにASRシステムを開発するという課題に取り組む。 音声合成とテキスト・テキスト・マスクによるトークン埋込から教師なし音声認識が実現可能であることを実験的に実証した。 この革新的なモデルは、レキシコンフリー環境下での以前の教師なしASRモデルの性能を上回る。
  論文  参考訳（メタデータ） (2024-06-12T16:30:58Z)
• Code-Switching without Switching: Language Agnostic End-to-End Speech Translation [68.8204255655161]
  我々は音声認識と翻訳を一貫したエンドツーエンドの音声翻訳問題として扱う。 LASTを両方の入力言語で訓練することにより、入力言語に関係なく、音声を1つのターゲット言語にデコードする。
  論文  参考訳（メタデータ） (2022-10-04T10:34:25Z)
• Dynamic Acoustic Unit Augmentation With BPE-Dropout for Low-Resource End-to-End Speech Recognition [62.94773371761236]
  我々は、OOVレートの高い低リソースセットアップで効果的なエンドツーエンドASRシステムを構築することを検討します。 本稿では,BPE-dropout法に基づく動的音響ユニット拡張法を提案する。 我々の単言語トルココンフォーマーは22.2%の文字誤り率(CER)と38.9%の単語誤り率(WER)の競争結果を確立した。
  論文  参考訳（メタデータ） (2021-03-12T10:10:13Z)

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。