論文の概要: Training-Free Pronunciation Transcription via Text-Constrained Acoustic Rescoring

• arxiv url: http://arxiv.org/abs/2609.30924v1
• Date: Fri, 25 Sep 2026 07:38:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.278346
• Title: Training-Free Pronunciation Transcription via Text-Constrained Acoustic Rescoring
• Title（参考訳）: テキスト制約付き音響再構成による学習自由発音転写
• Abstract要約: 音声とテキストの発音 (ST2P) 法は両者を併用するが、高価な発音アノテートデータを必要とする。 推論時に語彙情報と音響情報を統合した学習不要なST2Pパイプラインを提案する。 我々のgreedy search法は、類似のCERでのビームサーチよりも3-3.5$times$高速であり、カスケードは直接デコードより2$times$高速である。
• 参考スコア（独自算出の注目度）: 3.031375888004876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient pronunciation transcription is essential for preparing text-to-speech training data at scale. Existing approaches have different limitations: grapheme-to-pronunciation (G2P) and speech-to-pronunciation (S2P) methods each capture only partial information, using only text or only speech, while speech-and-text-to-pronunciation (ST2P) methods use both but require costly pronunciation-annotated data. To address this problem, we propose a training-free ST2P pipeline that integrates both lexical and acoustic information at inference time. Lexical resources and G2P tools generate text-constrained candidates, and a left-to-right greedy search selects the best one using whole-sequence negative log-likelihoods from frozen pretrained S2P models. On three Japanese corpora, our method reduces Character Error Rate (CER) from 0.60--1.40\% (text-only baseline) to 0.04--0.17\% with reference transcripts, and 0.64--1.58\% with ASR transcripts. It outperforms all baselines, including a trained ST2P model and commercial multimodal LLMs. Our greedy search method is 3--3.5$\times$ faster than beam search at similar CER, and the cascade is 2$\times$ faster than direct decoding ensuring the efficiency and accuracy. In Spanish, French, and preliminary English, it also surpasses four open multimodal LLMs and the best traditional methods.
• Abstract（参考訳）: テキスト音声訓練データを大規模に作成するには,高精度かつ効率的な発音書き起こしが不可欠である。 既存のアプローチには、G2P(Grapheme-to-pronunciation)とS2P( Speech-to-pronunciation)という2つの制限がある。 そこで本研究では,語彙情報と音響情報の両方を推論時に統合する,学習不要なST2Pパイプラインを提案する。 語彙資源とG2Pツールは、テキスト制約された候補を生成し、凍結事前学習されたS2Pモデルから、全シーケンスの負のログ類似度を用いて、左から右へのグレディ検索が最適な候補を選択する。 日本語コーパスでは,文字誤り率(CER)が0.60--1.40\%(テキストのみのベースライン)から0.04--0.17\%,ASR転写率0.64--1.58\%に低下する。 トレーニングされたST2Pモデルや商用マルチモーダルLLMなど、すべてのベースラインを上回ります。 我々の欲求検索方法は、類似のCERでのビームサーチよりも3-3.5$\times$が高速であり、カスケードは直接復号化よりも2$\times$が高速である。 スペイン語、フランス語、予備英語では、4つのオープンなマルチモーダルLPMと最も優れた伝統的手法を超越している。

関連論文リスト

• X-Voice: Enabling Everyone to Speak 30 Languages via Zero-Shot Cross-Lingual Voice Cloning [62.740127542449166]
  X-Voiceは、任意の音声をクローンし、誰でも30の言語を話せる多言語ゼロショット音声クローンモデルである。 X-Voiceは国際音声アルファベット(IPA)を統一表現として420K時間多言語コーパスで訓練されている。
  論文  参考訳（メタデータ） (2026-05-07T02:57:53Z)
• Building Tailored Speech Recognizers for Japanese Speaking Assessment [6.152272170188488]
  我々はアクセントマーカーで音声ラベルを出力する音声認識器を構築した。 日本語は資源に富んでいるが、正確な音素の書き起こしを行うための訓練用データはほとんどない。
  論文  参考訳（メタデータ） (2025-09-25T01:26:11Z)
• Acquiring Pronunciation Knowledge from Transcribed Speech Audio via Multi-task Learning [23.907448315388294]
  マルチタスク学習(MTL)に基づく追加訓練源として書き起こし音声を利用する方法を提案する。 実験の結果, ベースラインMTL法と比較して, MTL法ではPERを2.5%から1.6%に削減できることがわかった。
  論文  参考訳（メタデータ） (2024-09-15T23:00:54Z)
• Controllable Emphasis with zero data for text-to-speech [57.12383531339368]
  強調音声を簡易かつ効果的に処理する方法は、強調単語の予測持続時間を増加させることである。 これは自然度を7.3%向上させるスペクトログラム修正手法よりもはるかに優れていることを示し、基準女性のen-US音声に対して、文章中の強調された単語の正しさを40%精度で識別する。
  論文  参考訳（メタデータ） (2023-07-13T21:06:23Z)
• Dict-TTS: Learning to Pronounce with Prior Dictionary Knowledge for Text-to-Speech [88.22544315633687]
  ポリホンの曖昧さは, 音声合成システムにおいて, 自然なテキストシーケンスから正確な発音知識を抽出することを目的としている。 オンラインウェブサイト辞書を用いた意味認識型テキスト音声合成モデルであるDict-TTSを提案する。 3つの言語による実験結果から,我々のモデルは発音精度においていくつかの強いベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-05T10:50:34Z)
• Textless Speech-to-Speech Translation on Real Data [49.134208897722246]
  本研究では、ある言語から別の言語への翻訳が可能なテキストなし音声音声翻訳システム(S2ST)を提案する。 マルチ話者ターゲット音声をモデル化し、実世界のS2STデータを用いてシステムを訓練する際の課題に対処する。
  論文  参考訳（メタデータ） (2021-12-15T18:56:35Z)
• Semi-supervised transfer learning for language expansion of end-to-end speech recognition models to low-resource languages [19.44975351652865]
  低音源言語における音声認識精度向上のための3段階学習手法を提案する。 我々は、翻訳学習、TS拡張、SSLを用いて、よく訓練された英語モデル、ラベルなしテキストコーパス、ラベルなしオーディオコーパスを利用する。 第1パスにおけるモノトニック・チャンクワイド・アテンション(MoA)を用いた2パス音声認識システムでは,ベースラインに対するWERの42%削減を実現している。
  論文  参考訳（メタデータ） (2021-11-19T05:09:16Z)

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。