論文の概要: Benchmarking and Domain Adaptation of Automatic Speech Recognition (ASR) for Adolescent Health Communication in Ghanaian Languages

• arxiv url: http://arxiv.org/abs/2609.29798v1
• Date: Thu, 24 Sep 2026 13:36:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.955578
• Title: Benchmarking and Domain Adaptation of Automatic Speech Recognition (ASR) for Adolescent Health Communication in Ghanaian Languages
• Title（参考訳）: ガーナ語における青年期保健コミュニケーションのための自動音声認識(ASR)のベンチマークとドメイン適応
• Abstract要約: 本稿では,ガーナ語3言語(Twi,Dagbani,Ewe)における青年期の健康コミュニケーションのための自動音声認識(ASR)のエンドツーエンド研究について述べる。 一般ドメイン聖書コーパスと青年性・生殖健康(ASRH)ドメインASRデータセットを用いて,5つのASRシステムをベンチマークした。 微調整によってすべての言語でWERが減少し、最も劇的なのはEweである。
• 参考スコア（独自算出の注目度）: 0.04246470910715668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an end-to-end study of automatic speech recognition (ASR) for adolescent health communication in three Ghanaian languages (Twi, Dagbani, and Ewe). The work proceeds in three connected stages; First, we benchmark five ASR systems (three language-specific Wav2Vec2 models and two multimodal LLMs, Gemma 3n and Gemma 4) on a general-domain Bible corpus and a Youth Adolescent Sexual and Reproductive Health (ASRH) Domain ASR dataset, using Character and Word Error Rate (CER, WER). Second, guided by the benchmark, we perform supervised domain adaptation: although Gemma 4 was the strongest zero-shot candidate, fine-tuning it proved computationally infeasible, so we pivoted to the compact Qwen3-ASR-0.6B, fine-tuned on a large Ghana Bible corpus (~90k samples) and evaluated strictly on held-out human-collected in-domain audio. Fine-tuning reduced WER on every language, most dramatically for Ewe (WER from 109.3% to 64.8%, a drop of 44.5 pp; CER from 65.1% to 24.9%). Third, we validate the work through KasaHealth, a live voice-first ASRH application deployed in all three languages, complemented by Senti-Check, a technical evaluation harness. KasaHealth was tested by 50 community respondents and achieved a 100% chat-approval rate, a 72% Good-or-Excellent translation rating, and a 92% would-recommend rate, while surfacing the domain gaps that most constrain real-world use. Across all three stages the evidence converges: for these languages the binding constraint is validated in-domain data, not model capability or computation.
• Abstract（参考訳）: 本稿では,ガーナの3言語(Twi,Dagbani,Ewe)における青年期の健康コミュニケーションのための自動音声認識(ASR)のエンドツーエンド研究について述べる。 まず、一般ドメインのBible corpusとYouth Adolescent Sexual and Reproductive Health(ASRH)ドメインのASRデータセットを用いて、5つのASRシステム(3つの言語固有のWav2Vec2モデルと2つのマルチモーダルLLM、Gemma 3nおよびGemma 4)をベンチマークする。 Gemma 4は最強のゼロショット候補であったが、微調整により計算が不可能であることが判明し、コンパクトなQwen3-ASR-0.6Bにピボットした。 微調整により全ての言語でWERが減少し、最も劇的なのはEwe(WERは109.3%から64.8%、CERは65.1%から24.9%)。 第3に、すべての言語にデプロイされた音声ファーストのASRHアプリケーションであるKasaHealthを通じて、技術的評価ハーネスであるSenti-Checkを補完する作業を検証する。 KasaHealthは50人のコミュニティ回答者によってテストされ、100%のチャット承認率、72%のGood-or-Excellent翻訳評価、92%の推奨レートを達成した。 これらの言語では、バインディング制約は、モデル能力や計算ではなく、ドメイン内のデータで検証される。

関連論文リスト

• IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
  我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。 セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-17T09:50:52Z)
• Tone-Conditioned Curriculum Learning for Low-Resource Bantu Speech Recognition [2.15770908623048]
  南バントゥー語6言語のための音調条件付きカリキュラムフレームワークを開発した。 我々は,コミュニティコーパスのトレーニングを行い,一致した評価以上の堅牢性を測定するため,NCHLTへの移行試験を行った。 単一のモデルが6つの言語すべてに適合しないため、デプロイは言語毎にモデルの選択とコーパス間の検証をペアにすべきである。
  論文  参考訳（メタデータ） (2026-06-30T13:23:25Z)
• A Comparative Study of Language Models for Khmer Retrieval-Augmented Question Answering [0.0]
  Retrieval-Augmented Generation (RAG) は, 大規模言語モデル(LLM) のアウトプットを確定する上で有望なパラダイムとして出現している。 本稿では,Khmer 言語通信ドメイン文書に対する RAG に基づく質問応答システムを提案する。
  論文  参考訳（メタデータ） (2026-05-21T07:36:01Z)
• Benchmarking Multilingual Speech Models on Pashto: Zero-Shot ASR, Script Failure, and Cross-Domain Evaluation [0.0]
  Pashtoは、約6000～8000万人が話すが、共有公開テストセット上での多言語自動音声認識(ASR)のベンチマークは公開されていない。 本稿では,公開Pashtoデータに対する最初の再現可能なマルチモデル評価を行い,ゼロショットASR,スクリプトレベルの故障,微調整モデルのクロスドメイン評価について報告する。
  論文  参考訳（メタデータ） (2026-04-06T11:23:42Z)
• Qwen3-ASR Technical Report [71.87071808763484]
  2つの強力なオールインワン音声認識モデルと、新しい非自己回帰音声強制アライメントモデルを含むQwen3-ASRファミリを紹介する。 Qwen3-ASR-1.7BとQwen3-ASR-0.6Bは、言語識別と52の言語および方言のASRをサポートするASRモデルである。
  論文  参考訳（メタデータ） (2026-01-29T06:58:13Z)
• The ML-SUPERB 2.0 Challenge: Towards Inclusive ASR Benchmarking for All Language Varieties [107.57160730151975]
  我々は200以上の言語、アクセント、方言のデータからなる新しいテストスイートを構築し、SOTA多言語音声モデルを評価する。 その結果, LIDの精度は23%, CERは18%向上した。 アクセントと方言のデータでは、最も良い提出は30.2%低いCERと15.7%高いLIDの精度を得た。
  論文  参考訳（メタデータ） (2025-09-08T18:42:36Z)
• Automatic Speech Recognition Advancements for Indigenous Languages of the Americas [0.0]
  The Second Americas (Americas Natural Language Processing) Competition Track 1 of NeurIPS (Neural Information Processing Systems) 2022年、Cechua、Guarani、Brbri、Kotiria、Wa'ikhanaの5つの先住民言語の自動音声認識システムの訓練タスクを提案した。 対象言語毎の最先端のASRモデルの微調整について,データ拡張法に富んだ多種多様な情報源からの音声データの約36.65時間を用いて述べる。 私たちは各言語で最高のモデルをリリースし、Wa'ikhanaとKotiriaの最初のオープンなASRモデルをマークしています。
  論文  参考訳（メタデータ） (2024-04-12T10:12:38Z)
• Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
  調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。 本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。 生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• Arabic Speech Recognition by End-to-End, Modular Systems and Human [56.96327247226586]
  我々は、エンドツーエンド変換器ASR、モジュール型HMM-DNN ASR、および人間の音声認識のための包括的なベンチマークを行う。 ASRでは、エンドツーエンドの作業が12.5%、27.5%、23.8%のWERとなり、それぞれMGB2、MGB3、MGB5の新たなパフォーマンスマイルストーンとなった。 以上の結果から,アラビア語における人的パフォーマンスは,平均3.6%のWERギャップを持つ機械に比べて,依然としてかなり優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-01-21T05:55:29Z)

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。