論文の概要: Asymmetric Classifier-Free Guidance for Target-Speaker ASR

• arxiv url: http://arxiv.org/abs/2609.30476v1
• Date: Thu, 24 Sep 2026 19:16:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.115274
• Title: Asymmetric Classifier-Free Guidance for Target-Speaker ASR
• Title（参考訳）: ターゲット話者ASRのための非対称分類器フリーガイダンス
• Abstract要約: Whisper を用いた TS-ASR のための非対称分類器フリーガイダンス (CFG) を導入する。 CFGは1つのガイダンス尺度を通じてデコード中の話者条件付けの寄与を調整する。 ドメインシフトでは,条件のみのベースライン上での単語誤り率(WER)を最大21.8%削減する。
• 参考スコア（独自算出の注目度）: 2.7023796303812193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Target-speaker automatic speech recognition (TS-ASR) must identify and transcribe a desired speaker under varying overlap and noise conditions. These changes alter the acoustic evidence for the target speaker in the speech mixture, motivating inference-time calibration of speaker conditioning. We introduce asymmetric classifier-free guidance (CFG) for TS-ASR using Whisper: the speaker-conditioned branch predicts the target transcript, while the speaker-unconditioned branch predicts serialized multi-speaker transcripts. CFG adjusts the contribution of speaker conditioning during decoding through a single guidance scale. We select a global guidance scale on target-domain development data and train a lightweight encoder-based predictor to adjust it for each utterance, keeping the recognition model fixed. Under domain shifts, our full system achieves relative word error rate (WER) reductions of up to 21.8% over the condition-only baseline, and 5.6% over standard conditional decoding of the same CFG-trained model. Oracle analysis shows that substantially larger WER reductions are possible through utterance-level scale selection and identifies how beneficial adjustments vary with domain shifts.
• Abstract（参考訳）: ターゲット話者自動音声認識(TS-ASR)は、異なる重なり合いと雑音条件下で所望の話者を特定して書き起こさなければならない。 これらの変化は、話者条件付けの推論時間校正を動機として、音声混合におけるターゲット話者の音響的証拠を変化させる。 本稿では,Whisper を用いた TS-ASR 用非対称分類器フリーガイダンス (CFG) を導入し,話者条件分岐はターゲット転写を予測し,話者条件分岐はシリアライズされたマルチスピーカ転写を予測した。 CFGは1つのガイダンス尺度を通じてデコード中の話者条件付けの寄与を調整する。 ターゲットドメイン開発データに対するグローバルガイダンス尺度を選択し、軽量エンコーダベースの予測器を訓練して各発話に合わせて調整し、認識モデルを固定する。 ドメインシフトでは,条件のみのベースラインに対して最大21.8%の相対単語誤り率(WER)を,同じCFG学習モデルの標準条件デコードに対して5.6%の削減を実現している。 Oracle の分析によると,発話レベルの尺度選択によって WER の大幅な削減が可能であり,ドメインシフトによって適切な調整がどう変化するかが分かる。

関連論文リスト

• DELULU: Discriminative Embedding Learning Using Latent Units for Speaker-Aware Self-Supervised Speech Foundational Model [65.93900011975238]
  DELULUは、話者を意識した、検証、ダイアリゼーション、プロファイリングのための基礎モデルである。 マスク付き予測と妄想を組み合わせ、堅牢性と一般化をさらに強化する2つの目的を用いて訓練される。 以上の結果から,DELULUは話者認識音声処理の強力なユニバーサルエンコーダであり,タスク固有の微調整がなくても優れた性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-10-20T15:35:55Z)
• LocSelect: Target Speaker Localization with an Auditory Selective Hearing Mechanism [45.90677498529653]
  選択的補聴器を用いたターゲット話者定位アルゴリズムを提案する。 提案するネットワークLocSelectは平均絶対誤差(MAE)が3.55で精度(ACC)が87.40%である。
  論文  参考訳（メタデータ） (2023-10-16T15:19:05Z)
• BA-SOT: Boundary-Aware Serialized Output Training for Multi-Talker ASR [54.23941663326509]
  話者の頻繁な変化は、話者の変化を予測するのを難しくする。 境界対応型直列出力訓練(BA-SOT)を提案する。 オリジナルのSOTと比較して、BA-SOTはCER/UD-CERを5.1%/14.0%削減している。
  論文  参考訳（メタデータ） (2023-05-23T06:08:13Z)
• Controllable speech synthesis by learning discrete phoneme-level prosodic representations [53.926969174260705]
  直感的な離散ラベルを用いたF0と持続時間に対する音素レベル韻律制御のための新しい手法を提案する。 複数話者音声データセットから音素レベルF0と持続時間の特徴を識別するために用いられる教師なし韻律クラスタリングプロセスを提案する。
  論文  参考訳（メタデータ） (2022-11-29T15:43:36Z)
• Attention-based conditioning methods using variable frame rate for style-robust speaker verification [21.607777746331998]
  そこで本研究では,テキスト非依存話者検証において,発話スタイルの変動に頑健な話者埋め込みを抽出する手法を提案する。 自己アテンション層の外部条件ベクトルとして,エントロピーに基づく可変フレームレートベクトルを提案する。
  論文  参考訳（メタデータ） (2022-06-28T01:14:09Z)
• On-the-Fly Feature Based Rapid Speaker Adaptation for Dysarthric and Elderly Speech Recognition [53.17176024917725]
  話者レベルのデータの共有化は、データ集約型モデルに基づく話者適応手法の実用的利用を制限する。 本稿では,2種類のデータ効率,特徴量に基づくオンザフライ話者適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T09:12:24Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Bayesian Learning for Deep Neural Network Adaptation [57.70991105736059]
  音声認識システムにおける重要な課題は、しばしば話者差に起因する訓練データと評価データとのミスマッチを減らすことである。 モデルに基づく話者適応手法は、ロバスト性を確保するために十分な量のターゲット話者データを必要とすることが多い。 本稿では,話者依存型(SD)パラメータの不確かさをモデル化するための,ベイズ学習に基づくDNN話者適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-14T12:30:41Z)
• Statistical Context-Dependent Units Boundary Correction for Corpus-based Unit-Selection Text-to-Speech [1.4337588659482519]
  本稿では, 分割の精度を向上させるために, 単位選択テキスト音声(TTS)システムに適用するための, 話者適応のための革新的な手法を提案する。 従来の話者適応手法とは違って,言語分析手法を応用した文脈依存特性のみの利用を目標としている。
  論文  参考訳（メタデータ） (2020-03-05T12:42:13Z)

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。