論文の概要: Deep Learning Techniques for Phoneme Recognition in Italian Children' s Speech

• arxiv url: http://arxiv.org/abs/2609.33060v1
• Date: Sun, 27 Sep 2026 00:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 10:50:17.348593
• Title: Deep Learning Techniques for Phoneme Recognition in Italian Children' s Speech
• Title（参考訳）: イタリア語幼児音声における音素認識のための深層学習技術
• Abstract要約: 国際音声アルファベット(IPA)に音声を翻訳するための効率的なツールが欠如しているため、音声療法士はしばしば障害の診断に困難に直面している。 この課題に対処するBrocaは、コンフォーマーベースのディープラーニングシステムで、成人スピーチの8日間で事前訓練され、イタリアの児童スピーチの165分間のデータセットで微調整される。 ブロカは、声調、アクセント、発声誤りなど、子供の発話における音韻変動の処理に最適化され、イタリア語で13.36%の重み付け音素誤り率を達成した。
• 参考スコア（独自算出の注目度）: 36.71999245178866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech therapists often face difficulties diagnosing impairments due to the lack of efficient tools for transcribing speech into the International Phonetic Alphabet (IPA). This work addresses this challenge with Broca, a Conformer-based deep learning system pretrained on 8 days of adult speech and fine-tuned on a 165-minute dataset of Italian child speech collected through a range of standardized diagnostic tests for children aged 3.5-6.5. Broca was optimized to handle phonetic variability in children's speech, including tone, accent, and speech errors, and achieved a state-of-the-art weighted Phoneme Error Rate of 13.36% on Italian speech. Remarkably, this performance was obtained using less than three hours of child-specific data, underscoring the model's efficiency and robustness in low-resource clinical settings. This work demonstrates that accurate, vocabulary-independent speech-to-IPA transcription can be achieved with minimal data, paving the way for more accessible, data-efficient tools to support speech assessment and diagnosis.
• Abstract（参考訳）: 音声セラピストは、音声を国際音声アルファベット(IPA)に翻訳するための効率的なツールが欠如しているため、障害の診断に苦慮することが多い。 この研究は、コンフォーマーベースのディープラーニングシステムであるBrocaでこの問題に対処する。Brocaは成人スピーチの8日間で事前訓練され、3.5-6.5歳児の標準化された診断テストを通じて収集された165分間のイタリアの幼児音声のデータセットに基づいて微調整される。 ブロカは、声調、アクセント、発声誤りなど、子供の発話における音韻変動の処理に最適化され、イタリア語で13.36%の重み付け音素誤り率を達成した。 顕著なことに、この性能は3時間未満の子供固有のデータを用いて得られ、低リソース臨床環境でのモデルの効率性と堅牢性を強調した。 この研究は、正確で語彙に依存しない音声-IPA転写が、最小限のデータで達成できることを示し、よりアクセスしやすい、より効率的なツールによって、音声のアセスメントと診断をサポートする方法を確立した。

関連論文リスト

• Enabling Automatic Disordered Speech Recognition: An Impaired Speech Dataset in the Akan Language [0.0]
  本研究では,言語障害のある母語話者の音声サンプルをキュレートしたコーパスを提案する。 データセットは、スタマリング、脳性麻痺、口蓋裂、脳卒中誘発発声障害の4つの階級にまたがる50.01時間の音声記録からなる。
  論文  参考訳（メタデータ） (2026-02-05T07:44:13Z)
• Variational Low-Rank Adaptation for Personalized Impaired Speech Recognition [8.838919369202525]
  先天性障害による音声障害は,音声認識システムにおいて大きな課題となる。 Whisperのような最先端のASRモデルは、トレーニングデータの可用性の制限と高い音響可変性のために、まだ非ノルマ的音声に苦慮している。 本研究では,データ効率のよい微調整のためのベイジアン低ランク適応に基づく新しいASRパーソナライズ手法を提案する。
  論文  参考訳（メタデータ） (2025-09-23T13:44:58Z)
• K-Function: Joint Pronunciation Transcription and Feedback for Evaluating Kids Language Function [10.918072285423706]
  K-Functionは、正確なサブワードの書き起こし、客観的スコアリング、動作可能なフィードバックを組み合わせた統合フレームワークである。 Kids-WFSTはMySTで1.39%、Multitudesで8.61%の音素誤りを達成した。
  論文  参考訳（メタデータ） (2025-07-03T08:05:02Z)
• Self-supervised Speech Models for Word-Level Stuttered Speech Detection [66.46810024006712]
  自己教師付き音声モデルを利用した単語レベルの発声音声検出モデルを提案する。 本評価は, 単語レベルの発声検出において, 従来の手法を超越していることを示す。
  論文  参考訳（メタデータ） (2024-09-16T20:18:20Z)
• 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)
• Improving Children's Speech Recognition by Fine-tuning Self-supervised Adult Speech Representations [2.2191297646252646]
  幼児の音声認識は、包括的音声認識技術を構築する際には不可欠だが、ほとんど見過ごされる領域である。 近年の自己教師型学習の進歩は、このデータ不足の問題を克服する新たな機会を生み出している。 子どもの音声認識のためのモデルを構築するために,自己指導型成人音声表現を活用し,よく知られた幼児音声コーパスを3つ利用した。
  論文  参考訳（メタデータ） (2022-11-14T22:03:36Z)
• Few-Shot Cross-Lingual TTS Using Transferable Phoneme Embedding [55.989376102986654]
  本稿では,言語間テキスト-音声間問題に対処するための移動可能な音素埋め込みフレームワークについて,数ショット設定で検討する。 本稿では,音素ベースのTSモデルと,異なる言語からの音素を学習潜在空間に投影するコードブックモジュールからなるフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-27T11:24:40Z)
• Cross-lingual Self-Supervised Speech Representations for Improved Dysarthric Speech Recognition [15.136348385992047]
  本研究では, 変形性関節症に対するASRシステムの訓練機能として, Wav2Vec を用いた自己教師型音声表現の有用性について検討した。 我々は、Wav2Vec、Hubert、および言語間XLSRモデルから抽出された特徴を持つ音響モデルを訓練する。 結果から,大容量データに事前学習した音声表現は,単語誤り率(WER)を向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-04-04T17:36:01Z)
• Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
  本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。 正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
  論文  参考訳（メタデータ） (2022-01-14T17:09:22Z)
• NUVA: A Naming Utterance Verifier for Aphasia Treatment [49.114436579008476]
  失語症(PWA)患者の治療介入に対する反応の診断とモニタリングの両立のための画像命名タスクを用いた音声性能評価 本稿では,失語症脳卒中患者の「正しい」と「正しくない」を分類する深層学習要素を組み込んだ発話検証システムであるNUVAについて述べる。 イギリス系英語8ヶ国語でのテストでは、システムの性能精度は83.6%から93.6%の範囲であり、10倍のクロスバリデーション平均は89.5%であった。
  論文  参考訳（メタデータ） (2021-02-10T13:00:29Z)

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。