論文の概要: CoLMbo-SV: A Grounded Language Model for Explainable Speaker Verification

• arxiv url: http://arxiv.org/abs/2609.33212v2
• Date: Fri, 02 Oct 2026 16:04:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.912613
• Title: CoLMbo-SV: A Grounded Language Model for Explainable Speaker Verification
• Title（参考訳）: CoLMbo-SV: 説明可能な話者検証のための基底言語モデル
• Abstract要約: 我々は,強い話者識別と構造的,音響的な比較報告を組み合わせた話者言語モデルであるtextbfCoLMbo-SVを提案する。 事前訓練された話者エンコーダを言語モデルに接続し、明示的な音響測定を提供することにより、CoLMbo-SVは、その報告で発声された証拠に対する検証を制限することなく、音声比較を検査できるようにする。
• 参考スコア（独自算出の注目度）: 54.830557377967274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speaker verification systems achieve high accuracy but provide little account of the acoustic evidence behind their judgments. Making these systems inspectable requires exposing interpretable evidence while retaining the richer information on which their decisions depend. We present \textbf{CoLMbo-SV}, a speaker language model that combines strong speaker discrimination with structured, acoustically grounded comparison reports. By connecting a pretrained speaker encoder to a language model and supplying explicit acoustic measurements, CoLMbo-SV makes voice comparisons inspectable without restricting verification to the evidence verbalized in its reports. We additionally introduce \textbf{VoxReason}, paired recordings with measured acoustic properties and comparison reports filtered through numerical and qualitative checks, providing supervision for this combined capability. We also develop an evaluation framework that separates what acoustic information a speaker representation encodes, what influences the verification score, and what the generated report discusses. On VoxCeleb1-O, CoLMbo-SV achieves 0.99\% EER, reducing verification error by approximately 80\% relative to the strongest audio-language baseline fine-tuned on VoxReason, while attaining a numerical-grounding score of 0.82. Our analysis further demonstrates that acoustic correctness and decision relevance are distinct properties of an explanation, exposing a gap that numerical-grounding metrics miss. Together, these contributions substantially advance audio-language speaker verification, bring its accuracy toward that of dedicated speaker encoders while adding checkable acoustic reporting, and establish an empirical framework for connecting natural-language explanations to the decisions they explain.
• Abstract（参考訳）: 話者認証システムは高い精度を達成するが、その判断の背後にある音響的証拠についてはほとんど説明しない。 これらのシステムを検査可能にするには、それらの決定が依存するより豊かな情報を保持しながら、解釈可能な証拠を公開する必要がある。 本稿では,強い話者識別と構造的,音響的な比較報告を組み合わせた話者言語モデルである「textbf{CoLMbo-SV}」を提案する。 事前訓練された話者エンコーダを言語モデルに接続し、明示的な音響測定を提供することにより、CoLMbo-SVは、その報告で発声された証拠に対する検証を制限することなく、音声比較を検査できるようにする。 さらに,測定された音響特性と,数値的および定性的な検査によってフィルタリングされた比較報告とを組み合わせて記録する「textbf{VoxReason}」も導入し,その組み合わせの監督を行う。 また, 話者表現が符号化する音響情報, 検証スコアに影響を与えるもの, 生成した報告を分離する評価フレームワークを開発した。 VoxCeleb1-Oでは、CoLMbo-SVが0.99\% EERを達成し、VoxReasonで微調整された最強の音声ベースラインと比較して、検証誤差を約80\%削減し、数値グラウンドスコア0.82を達成する。 解析により,音響的正当性と決定的関連性は説明の異なる性質であることが明らかとなり,数値的な接地精度が低下する余地が明らかとなった。 これらのコントリビューションは、音声による話者の検証を大幅に前進させ、チェック可能な音響レポートを追加しながら、専用の話者エンコーダの精度を向上させ、自然言語の説明をそれらが説明する判断に結びつけるための実証的な枠組みを確立する。

関連論文リスト

• An Evaluation Framework for Structured Audio Captions Validated by Controlled Perturbations [16.51678229294975]
  構造化音声記述に適した多軸評価フレームワークを提案する。 タグセット,説明,論理的推論,数値計測,スペクトルプロファイルの5つの軸の出力を評価する。 本研究により,本枠組みは意味保存パラフレーズを意味論的・音響的腐敗と区別することに成功した。
  論文  参考訳（メタデータ） (2026-07-23T15:26:52Z)
• LISE : Listenable Interpretable Speaker Embeddings [15.561607569242605]
  Listenable Interpretable Speaker Embeddings (LISE) はラベルのないフレームワークで、事前訓練された話者の埋め込みを小さなコンポーネントに分解する。 この分解により、話者埋め込みによって符号化された情報を解析する構造表現が得られる。 LISEは、x-vector と ECAPA-TDNN で無視できるEER劣化を伴って ASV 性能を保っている。
  論文  参考訳（メタデータ） (2026-06-19T10:37:09Z)
• SpeakerLLM: A Speaker-Specialized Audio-LLM for Speaker Understanding and Verification Reasoning [39.96444209787657]
  SpeakerLLMは、単一発話話者プロファイリング、記録条件理解、発話対話者比較、自然なインタフェース内でのエビデンス-組織された検証推論を統一する話者特化オーディオ-LLMフレームワークである。 SpeakerLLMは、複数の粒度の話者証拠をキャプチャするために設計された階層型話者トークンライザを使用する。
  論文  参考訳（メタデータ） (2026-05-14T16:36:57Z)
• Language Modelling for Speaker Diarization in Telephonic Interviews [13.851959980488529]
  音響的特徴と言語的内容の組み合わせは、単語レベルのDERで84.29%改善している。 本研究は,一部の話者認識タスクにおいて,言語内容が効率的に利用できることを確認した。
  論文  参考訳（メタデータ） (2025-01-28T18:18:04Z)
• ExPO: Explainable Phonetic Trait-Oriented Network for Speaker Verification [48.98768967435808]
  我々は,音声が登録話者の同一性に一致するかどうかを検証するために,計算手法を用いる。 多くの成功にもかかわらず、我々はまだ説明可能な結果を提供する話者検証システムを開発していない。 本稿では, 話者の音声特性を紹介するために, 説明可能な音声トラヒック指向(ExPO)ネットワークを提案する。
  論文  参考訳（メタデータ） (2025-01-10T05:53:37Z)
• CLAIR-A: Leveraging Large Language Models to Judge Audio Captions [73.51087998971418]
  機械生成オーディオキャプションの評価は、様々な要因を検討する必要がある複雑なタスクである。 本稿では,大規模言語モデルのゼロショット機能を活用するシンプルで柔軟なCLAIR-Aを提案する。 我々の評価では、CLAIR-Aは従来のメトリクスと比較して品質の人的判断を良く予測する。
  論文  参考訳（メタデータ） (2024-09-19T17:59:52Z)
• Phonetic-aware speaker embedding for far-field speaker verification [25.50311094643337]
  遠距離場話者検証のための音声コンテンツを活用するための共同学習音声認識と話者認識フレームワークを提案する。 このフレームワークは、話者埋め込みネットワークのフレームベースの特徴マップとwav2vecのベクトルとをマッチングすることにより、話者埋め込みが音声情報を保存することを奨励する。 提案したフレームワークは,VOiCES Challenge 2019評価セットとVoxCeleb1テストセットの標準話者埋め込みよりも優れていた。
  論文  参考訳（メタデータ） (2023-11-27T08:45:35Z)
• Wav-BERT: Cooperative Acoustic and Linguistic Representation Learning for Low-Resource Speech Recognition [159.9312272042253]
  Wav-BERTは、協調的な音響および言語表現学習法である。 我々は、事前訓練された音響モデル(wav2vec 2.0)と言語モデル(BERT)をエンドツーエンドのトレーニング可能なフレームワークに統合する。
  論文  参考訳（メタデータ） (2021-09-19T16:39:22Z)

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。