論文の概要: Almost Human, Except When It Matters: VoxParity and the Decisions a Voice Should Change

• arxiv url: http://arxiv.org/abs/2609.35922v1
• Date: Mon, 28 Sep 2026 11:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.893219
• Title: Almost Human, Except When It Matters: VoxParity and the Decisions a Voice Should Change
• Title（参考訳）: ほとんど人間:VoxParityと声を変えるべき決定
• Abstract要約: 14のセクターから183のシナリオでは、音声が変化する間、1つの書き起こしが固定される。 単語のみのnullテストは、単語のみを読み込むパイプラインを移動させるよりも、呼び出しがアクションを動かすのを聞いた場合にのみ、システムを信用する。 書き起こしパスでも実行できる23のシステムのうち11つしかありません。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A voice agent can handle almost every call on the words alone and still fail the few its sector's rules were written for. Emergency-call standards, fraud guidance, radio phraseology and vulnerability rules recognise that how a caller sounds, or what else is audible, can change the right action. VoxParity tests whether agents act on it. In 183 scenarios from 14 sectors, one transcript stays fixed while the audio changes (a coaching voice, a medical monitor beeping, a mayday under a radio check, noise over a drug name, a child's voice placing a bet, a frightened whisper), and with it the correct typed tool call. A words-only null test credits a system only if hearing the call moves its actions more than it moves a pipeline that only reads the words. Only 11 of the 23 systems that can also be run on the transcript pass. Descriptively, errors run toward the words: when the audio calls for protection, all 28 systems carry out the routine request more often than they over-react on clean calls (41% against 12% pooled; the words-only pipeline, 58% against 15%). Exploratory analyses place most of the leading systems' misses on cues they heard; systems beat the null almost entirely on items that state the rule; the leading systems overrule heard resignation or confusion far more often than acute alarm; and, in the models tested, describing the voice and stating the rule each recover part of the shortfall, leaving a gap on emotion.
• Abstract（参考訳）: 音声エージェントは、単語のほとんど全ての呼び出しを単独で処理できるが、いくつかのセクターのルールが書かれた時点では失敗する。 緊急呼び出し基準、詐欺指導、無線フレーズ、脆弱性ルールは、呼び出し側がどのように聞こえるか、あるいは他の可聴性があるかが正しい行動を変える可能性があることを認識します。 VoxParityはエージェントがそれを実行するかどうかをテストする。 14分野の183のシナリオでは、音声が変化している間に1つの転写文字が固定される(コーチング音声、医療モニターの鳴き声、無線チェック下のメーデー、薬物名に対するノイズ、子供の声の賭け、恐ろしいささやき)。 単語のみのnullテストは、呼び出しが単語のみを読み込むパイプラインを移動するよりも、呼び出しがアクションを移動するのを聞いた場合にのみ、システムを信用する。 書き起こしパスでも実行できる23のシステムのうち11のシステムのみである。 音声が保護を呼びかけると、28のシステムは、クリーンな呼び出しで過剰に反応するよりも頻繁にルーチン要求を実行する(41%が12%、ワードのみのパイプラインが58%が15%)。 探索的な分析では、先導的なシステムのミスのほとんどは、彼らが耳にした手がかりに当てはまり、システムは、ルールを述べる項目にほぼ完全にnullを打ち負かし、先導的なシステムは、急性のアラームよりもはるかに頻繁に辞表や混乱を耳にし、テストされたモデルでは、音声を記述し、各ルールが不足の一部を回復し、感情のギャップを埋める。

関連論文リスト

• Inquesto Score: A reliability Protocol For Voice Agents [53.4810159595586]
  Inquesto Score(IS)は、音声エージェントの信頼性を、固定バージョン評価集団における呼び出しの割合として測定するプロトコルである。 タイミングの失敗、セマンティック、および状態依存の失敗は、シナリオ述語、ツールトレース、ピン留めされたオープンモデル判定を用いて評価される。 Inquesto Score v0.1は、基準音声エージェントシステムの13構成に対して、30のシナリオ、3つの音響条件、4つの話者グループ、306の呼び出しを評価する。
  論文  参考訳（メタデータ） (2026-09-24T20:07:53Z)
• $τ$-Elicitation: Benchmarking multi-turn entity extraction in voice agents [1.379154874465125]
  10のエンティティタイプ、制御難易度、呼び出しリアリズム、および3つの環境にまたがる200タスク音声ベンチマークを導入する。 一致したテキストエージェントがすべてのタスクをパスするが、4つの音声構成は0.14から0.41までの堅牢な正確な成功を達成する。 綴り、読み返し、修正、確認を処方する足場は、1コールあたり21秒から28秒のコストで、3ドル強のパスを14から31ポイント引き上げる。
  論文  参考訳（メタデータ） (2026-09-11T23:18:41Z)
• Hear2Act: Benchmarking When Prosody Should Change What an Assistant Does [27.909684871924004]
  本稿では,テキストと音声アシスタントの統一評価プロトコルであるHear2Actを紹介する。 我々は、転写、音声、および関心状態アクセスに基づく意思決定を評価する。 語彙的証拠が不十分な場合には韻律が重要であることを示す。
  論文  参考訳（メタデータ） (2026-08-20T00:16:36Z)
• Voice Memory for Agentic Speech Recognition [66.69623133635868]
  エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。 同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。 10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
  論文  参考訳（メタデータ） (2026-07-29T02:42:56Z)
• Real-Time Voice AI Hears but Does Not Listen [28.50011328763975]
  我々は,4つの主要な実運用音声システムを評価する。 4つのシステムはすべて、声ではなく言葉に作用する。 我々は、音声AIの知覚と行動の分離を、感情的な知能ギャップと表現する。
  論文  参考訳（メタデータ） (2026-06-24T17:55:38Z)
• Towards Unsupervised Speech Recognition Without Pronunciation Models [57.222729245842054]
  本稿では,ペア音声とテキストコーパスを使わずにASRシステムを開発するという課題に取り組む。 音声合成とテキスト・テキスト・マスクによるトークン埋込から教師なし音声認識が実現可能であることを実験的に実証した。 この革新的なモデルは、レキシコンフリー環境下での以前の教師なしASRモデルの性能を上回る。
  論文  参考訳（メタデータ） (2024-06-12T16:30:58Z)
• Simple and Effective Unsupervised Speech Synthesis [97.56065543192699]
  簡単なレシピに基づく教師なし音声合成システムを提案する。 本手法では, 音声音声とレキシコンのみを用いることで, 人手によるコーパスを必要とせず, 音声合成が可能となる。
  論文  参考訳（メタデータ） (2022-04-06T00:19:13Z)
• Analysis and Tuning of a Voice Assistant System for Dysfluent Speech [7.233685721929227]
  音声認識システムは、音や単語の繰り返し、音の伸長、可聴ブロックなどの非効率な音声によく当てはまらない。 既存のハイブリッド音声認識システムにおける復号化パラメータを調整することにより、流速障害のある個人に対して、isWERを24%改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-18T20:58:34Z)

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。