論文の概要: LUMO (Lightweight Unified Multilingual Orchestrator): A Privacy Preserving Offline Voice Assistant

• arxiv url: http://arxiv.org/abs/2609.30692v1
• Date: Fri, 25 Sep 2026 01:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.185167
• Title: LUMO (Lightweight Unified Multilingual Orchestrator): A Privacy Preserving Offline Voice Assistant
• Title（参考訳）: LUMO(Lightweight Unified Multilingual Orchestrator):オフライン音声アシスタントのプライバシー保護
• Abstract要約: LUMO(Lightweight Unified Multilingual Orchestrator)は、エッジコンピューティング環境向けに設計されたオフライン音声アシスタントである。 システムは、ローカル自動音声認識(ASR)、ローカルに展開された量子化大言語モデル(LLM)、および8GBのRAMを持つRaspberry Pi 5上で動作する完全にオフラインのパイプラインにテキスト・トゥ・スペーチ(TTS)合成を統合する。 システムは、低雑音下での短い英語の発話に対して6.8%の単語誤り率(WER)、2.0-4.0秒のエンドツーエンド応答遅延、および9.0Wの低ピーク電力消費を達成する。
• 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: Reliable voice interaction is essential in environments with limited internet connectivity and strong privacy. However, most existing voice assistants depend on cloud-based services, which leads to latency issues, dependency on internet access, and privacy vulnerabilities. This research presents LUMO (Lightweight Unified Multilingual Orchestrator), a privacy preserving offline voice assistant designed for edge computing environments. This system integrates local Automatic Speech Recognition (ASR), locally deployed quantized Large Language Model (LLM), and Text-to-Speech (TTS) synthesis into a fully offline pipeline running on a Raspberry Pi 5 with 8 GB RAM. To enable efficient operation on resource constrained hardware, the language model is compressed using 4-bit GGUF quantization, which reduces memory usage while preserving practical conversational capability. Existing edge based voice assistants Mycroft provides partial offline functionality without a generative LLM, with an approximate latency of ~5 s and power consumption of ~12 W, while Rhasspy supports full offline operation but lacks generative capabilities, with ~3 s latency and ~11 W power usage. In contrast, LUMO achieves a Word Error Rate (WER) of 6.8% for short English utterances in low noise conditions, an end-to-end response latency of 2.0-4.0 s, and a lower peak power consumption of approximately 9.0 W. The system also achieves effective offline recognition for Bangla speech, supporting multilingual accessibility in low resource settings. By operating entirely offline, LUMO provides strong data privacy, reduced need for cloud connectivity, and suitability for privacy sensitive edge execution such as rural healthcare, education, and disaster response scenarios.
• Abstract（参考訳）: 信頼性の高い音声対話は、インターネット接続の制限と強力なプライバシーを持つ環境において不可欠である。 しかし、既存の音声アシスタントのほとんどはクラウドベースのサービスに依存しており、レイテンシの問題、インターネットアクセスへの依存、プライバシの脆弱性につながる。 本研究は,エッジコンピューティング環境向けに設計されたプライバシー保護型オフライン音声アシスタントLUMO(Lightweight Unified Multilingual Orchestrator)を提案する。 このシステムは、ローカル自動音声認識(ASR)、ローカルに展開された量子化大言語モデル(LLM)、およびテキスト音声合成(TTS)を8GBのRAMを持つRaspberry Pi 5上で動作する完全なオフラインパイプラインに統合する。 資源制約ハードウェア上での効率的な操作を実現するため、4ビットのGGUF量子化を用いて言語モデルを圧縮し、実用的な対話能力を維持しながらメモリ使用量を削減する。 既存のエッジベースの音声アシスタントであるMycroftは、生成LDMなしで部分的なオフライン機能を提供し、およそ5 sのレイテンシと電力消費量は ~12 W、Rhasspyは完全なオフライン操作をサポートしているが、3 sのレイテンシと ~11 Wの電力使用量では生成機能に欠ける。 対照的にLUMOは、低雑音条件下での短い英語発話に対して6.8%の単語誤り率(WER)、2.0-4.0秒のエンドツーエンド応答遅延、および約9.0Wのピーク電力消費量を達成している。 完全にオフラインで運用することで、LUMOは強力なデータプライバシ、クラウド接続の必要性の低減、農村医療、教育、災害対応シナリオなどのプライバシーに敏感なエッジ実行に適している。

関連論文リスト

• Bandwidth-Efficient and Privacy-Preserving Edge-Cloud Many-to-Many Speech Translation [38.38807634557459]
  Edge-cloud Speech Recognition and Translation (ESRT)は、プライバシー保護と帯域幅効率の協調型エッジクラウドMLLMフレームワークである。 我々は、軽量な音声エンコーダとアダプタをデバイス上に保持し、高度に圧縮された中間機能のみをクラウドに送信するエッジクラウド分割推論アーキテクチャを設計する。 英語中心のボトルネックを克服するために,データバランシングによる多タスク重み付きカリキュラム学習戦略を導入し,堅牢な言語間一貫性を実現する。
  論文  参考訳（メタデータ） (2026-05-27T15:47:33Z)
• Stream-Voice-Anon: Enhancing Utility of Real-Time Speaker Anonymization via Neural Audio Codec and Language Models [51.7170633585748]
  Stream-Voice-Anonは、ストリーミングスピーカーの匿名化に特化して、現代的なLMベースのNACアーキテクチャを適用している。 匿名化アプローチには、擬似話者表現サンプリング、話者埋め込みミキシング、多様なプロンプト選択戦略が組み込まれている。 VoicePrivacy 2024 Challengeプロトコルの下で、Stream-Voice-Anonは知性を大幅に改善した。
  論文  参考訳（メタデータ） (2026-01-20T13:23:44Z)
• Adaptive Edge-Cloud Inference for Speech-to-Action Systems Using ASR and Large Language Models [0.0]
  ASTAは、エッジとクラウドの推論の間で音声コマンドを動的にルーティングする適応型音声対話ソリューションである。 NVIDIA Jetsonベースのエッジプラットフォームにソリューションを実装し、80の音声コマンドの多様なデータセットを使用して評価した。
  論文  参考訳（メタデータ） (2025-12-14T17:07:23Z)
• A Novel Hat-Shaped Device-Cloud Collaborative Inference Framework for Large Language Models [12.644230479753476]
  従来のクラウドベースの大規模言語モデル(LLM)は、高精度な要件を満たすが、低遅延とプライバシー強化に対する重要な要求には欠ける。 我々は,U字型推論と投機的復号化の相補的長所を生かした,新しいデバイス-クラウド協調型推論フレームワークであるHATを提案する。 HATは,TTFTを41%,TBTを41%,TBTを77%削減し,有望な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2025-03-23T10:54:58Z)
• TinyML NLP Scheme for Semantic Wireless Sentiment Classification with Privacy Preservation [49.801175302937246]
  本研究は、エッジデバイスにプライバシ保護、エネルギー効率の高いNLPモデルをデプロイする際の洞察を提供する。 セマンティックスプリットラーニング(SL)を,エネルギー効率,プライバシ保護,小型機械学習(TinyML)フレームワークとして導入する。 その結果,FLの4倍,CLの約18倍の再現誤差の増加により,SLは計算能力とCO2排出量を著しく低減し,プライバシーの向上を図った。
  論文  参考訳（メタデータ） (2024-11-09T21:26:59Z)
• SpeechGen: Unlocking the Generative Power of Speech Language Models with Prompts [108.04306136086807]
  本稿では,SpeechGenと呼ばれる統合フレームワークを用いて,各種タスクの音声LMを刺激するための即時チューニングの適用について検討する。 提案した統合フレームワークは効率と有効性に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-03T22:35:27Z)
• Bunched LPCNet2: Efficient Neural Vocoders Covering Devices from Cloud to Edge [3.612475016403612]
  Bunched LPCNet2は、クラウドサーバーの高品質と低リソースエッジデバイスにおける低複雑さで効率的なパフォーマンスを提供する。 実験により,LPCNet2はモデルフットプリントが1.1MBで,RPi 3Bでリアルタイムよりも高速に動作し,良好な音声品質が得られることが示された。
  論文  参考訳（メタデータ） (2022-03-27T23:56:52Z)
• 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。