論文の概要: FA-Bench: A Benchmark for Word-Level and Phone-Level Forced-Alignment and ASR Timestamps Under Clean and Noisy Conditions

• arxiv url: http://arxiv.org/abs/2609.32396v1
• Date: Sat, 26 Sep 2026 09:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:32:57.368645
• Title: FA-Bench: A Benchmark for Word-Level and Phone-Level Forced-Alignment and ASR Timestamps Under Clean and Noisy Conditions
• Title（参考訳）: FA-Bench: クリーンでノイズの多い条件下での単語レベルと電話レベル強制アライメントとASRタイムスタンプのベンチマーク
• Abstract要約: 強制アライメントは、音声とテキストの書き起こしをアライメントし、単語と電話のタイムスタンプを生成する。 FA-Benchは、これらの選択を一度修正し、コード、分割、電話マッピング、テキスト正規化、スコアリングスクリプトをリリースするオープンフレームワークである。 発話のすべてのバウンダリをスコアし、それの横にある2つのラベルをチェックします。
• 参考スコア（独自算出の注目度）: 34.05861211659408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forced alignment aligns speech audio with a text transcript to generate word and phone timestamps. Published comparisons normalize transcripts, split the data and match boundaries differently, so their numbers cannot be read together. We present FA-Bench, an open framework that fixes those choices once and releases the code, splits, phone mapping, text normalization and scoring script, with results published periodically. Track 1 gives every aligner the reference transcript and Track 2 gives it a recognizer's output, on the same audio, clean and degraded four ways, with 21 open models and 9 commercial APIs under a unified protocol. We score every boundary of an utterance and check the two labels beside it, so a word the recognizer missed or invented is charged. Using a tolerance-based F1 as our primary metric eliminates the 9% to 14% score inflation that standard MAE causes on recognition-dependent systems in conversational speech. We then group boundaries by their position and how many adjacent words were recognized correctly, which shows where a system lost the score. We discovered systematic bias in how current systems time words, with Whisper about 150 ms early and several commercial ASR APIs over 50 ms late. Code and results are at https://github.com/olewave/fa-bench
• Abstract（参考訳）: 強制アライメントは、音声とテキストの書き起こしをアライメントし、単語と電話のタイムスタンプを生成する。 公開された比較は、転写文字を正規化し、データを分割し、境界を異なる方法で一致させるので、それらの数字をまとめることはできない。 FA-Benchは、これらの選択を一度修正し、コード、分割、電話マッピング、テキスト正規化、スコアリングスクリプトを定期的に公開するオープンフレームワークである。 Track 1はすべてのコーディネータに参照書き起こしを与え、Track 2は同じオーディオで、21のオープンモデルと9の商用APIを統一されたプロトコルで、クリーンで分解された4つの方法で、認識者の出力を与える。 発話のすべてのバウンダリをスコアし、それの横にある2つのラベルをチェックします。 耐久性に基づくF1を主指標として、標準MAEが会話音声における認識依存システムにもたらすインフレーションの9%から14%を排除した。 次に,その位置と隣接した単語数によって境界線をグループ化し,システムがスコアを失った場所を示す。 Whisperは150ms以上早く,商用のASR APIは50ms以上遅れている。 コードと結果はhttps://github.com/olewave/fa-benchにある。

関連論文リスト

• FuseAlign: Forced Alignment in the Wild [4.994836794885107]
  単語レベルの強制アライメントは、音声記録において各転写語が発生するときに推定される。 テキストベースのメディア編集、サブタイリング、音声データキュレーション、音声分析を基盤とする。 FuseAlignは、大規模な擬似ラベル付き音声にトレーニングされたトランスフォーマーベースのコーディネータで、オンラインラベルの修正を行う。
  論文  参考訳（メタデータ） (2026-09-27T15:13:14Z)
• Improving Text-to-Audio Instruction Following via Fine-Grained Feedback from Audio-Aware Large Language Models [51.75139461584678]
  最近の音声合成モデルは高品質な音声を生成するが、複数の音声イベントと時間順を含む指示に従わないことが多い。 本稿では,音声対応の大規模言語モデルを用いた指示レベルフレームワークを提案する。 実験の結果,既存のベンチマークやS3Benchにおける事象完全性,時間的順序付け,共同指示追従の精度が向上し,音質の維持が図られた。
  論文  参考訳（メタデータ） (2026-07-15T03:13:06Z)
• AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
  マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。 AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。 また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
  論文  参考訳（メタデータ） (2025-08-29T07:40:39Z)
• Two Stage Contextual Word Filtering for Context bias in Unified Streaming and Non-streaming Transducer [17.835882045443896]
  E2E ASRシステムでは、トレーニングデータに頻繁に現れるエンティティなどの単語を認識することは困難である。 本稿では,ストリーミングとストリーミングを併用したE2Eモデルに対して,高品質なコンテキストリストを得るための効率的な手法を提案する。
  論文  参考訳（メタデータ） (2023-01-17T07:29:26Z)
• ESB: A Benchmark For Multi-Domain End-to-End Speech Recognition [100.30565531246165]
  音声認識システムはデータセット固有のチューニングを必要とする。 このチューニング要件は、他のデータセットやドメインへの一般化に失敗したシステムにつながる可能性がある。 本稿では,1つの自動音声認識システムの性能を評価するために,エンド・ツー・エンド音声ベンチマーク(ESB)を提案する。
  論文  参考訳（メタデータ） (2022-10-24T15:58:48Z)
• Improving Word Recognition in Speech Transcriptions by Decision-level Fusion of Stemming and Two-way Phoneme Pruning [3.9596068699962323]
  本研究では,スリーミングと双方向音素プルーニングの判定レベルでの融合に基づいて,不完全な音声の書き起こしを訂正するための教師なしアプローチを提案する。 我々は, ストーミング, 音素抽出, フィルタリング, プルーニングを用いて, ベースライン精度を9.34%に改善しようと試みた。 1) 母音と音素を含む音素をフィルタリング・切断する。
  論文  参考訳（メタデータ） (2021-07-26T18:44:24Z)
• Continuous speech separation: dataset and analysis [52.10378896407332]
  自然な会話では、音声信号は連続的であり、重複成分と重複成分の両方を含む。 本稿では,連続音声分離アルゴリズムを評価するためのデータセットとプロトコルについて述べる。
  論文  参考訳（メタデータ） (2020-01-30T18:01:31Z)

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。