論文の概要: Role-guided Speaker Deletion Verification in Clinical Psychiatry Speech Recordings with Audio Language Models

• arxiv url: http://arxiv.org/abs/2609.38491v1
• Date: Tue, 29 Sep 2026 20:20:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.714495
• Title: Role-guided Speaker Deletion Verification in Clinical Psychiatry Speech Recordings with Audio Language Models
• Title（参考訳）: 音声言語モデルを用いた臨床精神科音声記録における役割誘導型話者削除検証
• Abstract要約: 精神医学における臨床研究は、音響的および言語的バイオマーカーを特定するために、音声言語データの大規模な収集にますます依存している。 精神医学における役割駆動型臨床対話の検証問題について検討し、2つの平行な対称パイプラインを用いて検討した。 各パイプラインは、ターゲットロールのために生のオーディオを再実行し、残った出力をオーディオ言語および大規模言語モデルでスキャンし、欠落した削除を識別する。
• 参考スコア（独自算出の注目度）: 7.58298187456991
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical research in psychiatry increasingly relies on large scale collection of spoken language data to identify acoustic and linguistic biomarkers. Yet evolving consent and protocol requirements can oblige investigators to remove a designated speaker from multi-speaker recordings and to verify said removal at a scale infeasible for manual review of entire corpora. We study this verification problem for role-driven dyadic clinical dialogue in psychiatry and investigate it with two parallel, symmetric pipelines: confirming that clinician speech has been removed from psychiatric interview recordings, and confirming that patient speech has been removed from the same recordings. Each pipeline redacts the raw audio for its target role and then scans the surviving output with audio-language and large-language models to identify missed deletions. We evaluate this approach on a corpus of 48 dyadic recordings drawn from psychiatry settings, testing four open-weight models in an inference-only setting: Gemma-4-12B, Gemma-4-31B, Nemotron-3-Nano, and Nemotron-3-Nano-Omni. A disjunctive OR ensemble over fourteen model-view configurations had a combined F1 of 0.478 (precision 0.330, recall 0.870), an improvement over individual model estimates driven by recall gains that point to substantial complementarity across models and context views.
• Abstract（参考訳）: 精神医学における臨床研究は、音響的および言語的バイオマーカーを特定するために、音声言語データの大規模な収集にますます依存している。 しかし、同意とプロトコル要件の進化により、調査員は複数の話者の記録から指定された話者を排除し、その除去をコーパス全体を手動でレビューすることができないスケールで検証しなければならない。 精神医学における役割駆動型臨床対話の検証問題について検討し,2つの平行な対称的パイプラインを用いて検討した。 各パイプラインは、ターゲットロールのために生のオーディオを再実行し、残った出力をオーディオ言語および大規模言語モデルでスキャンし、欠落した削除を識別する。 本手法は, 精神医学的設定から抽出した48のダイド記録コーパスを用いて, Gemma-4-12B, Gemma-4-31B, Nemotron-3-Nano, Nemotron-3-Nano-Omniの4つのオープンウェイトモデルを用いて, 推論のみの環境で実験を行った。 14のモデルビュー構成に対する解離的ORアンサンブルは、F1を0.478(精度0.330、リコール0.870)と組み合わせ、リコールによる個々のモデル推定よりも改善した。

関連論文リスト

• Automated Detection and Classification of Delusion-related Content in Naturalistic Audio Diaries Using Multi-Agent Language Models [9.896454972048376]
  大規模言語モデル(LLM)は、自動精神疾患現象学の新しい可能性を提供する。 本稿では, 妄想的信念を示唆する言語を, きめ細かな多言語抽出のために, 自動多言語LPMパイプラインを提案する。 この研究は、自然言語における妄想的信念を示唆するコンテンツの自動検出と特徴付けのための検証済みでスケーラブルなパイプラインを提供する。
  論文  参考訳（メタデータ） (2026-05-23T22:18:40Z)
• 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)
• NeuroVoz: a Castillian Spanish corpus of parkinsonian speech [34.916222066004465]
  この写本は、58人の健康的なコントロールと54人のPDを含む112人のカスティーリャ・スペイン語話者からなるNeuroVoz corpusを提示している。 また、このデータセットは、GRBAS尺度に従って専門家が行う音声品質の主観評価と補完される。 このデータセットはすでにいくつかの研究を支持しており、PDのスクリーニングのベンチマーク精度は89%に達した。
  論文  参考訳（メタデータ） (2024-03-04T16:17:39Z)
• Speech motion anomaly detection via cross-modal translation of 4D motion fields from tagged MRI [12.515470808059666]
  本研究は, 音声の動作異常を検出するための枠組みを, 対応する音声と組み合わせて開発することを目的とする。 これは、健康な個人のみのデータに基づいて訓練された深いクロスモーダルトランスレータを使用することによって達成される。 一級のSVMは、健康な個人の分光図と患者の分光図を区別するために使用される。
  論文  参考訳（メタデータ） (2024-02-10T16:16:24Z)
• Show from Tell: Audio-Visual Modelling in Clinical Settings [58.88175583465277]
  臨床環境でのオーディオ・ビジュアル・モデリングを考察し、人間の専門的アノテーションを使わずに医学的表現を学習するためのソリューションを提供する。 この目的のために, 単純かつ効果的なマルチモーダル自己教師型学習フレームワークを提案する。 提案手法は,音声のみを基準として,超音波画像中の解剖学的関心領域をローカライズすることができる。
  論文  参考訳（メタデータ） (2023-10-25T08:55:48Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• Decoding speech perception from non-invasive brain recordings [48.46819575538446]
  非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。 我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
  論文  参考訳（メタデータ） (2022-08-25T10:01:43Z)
• Comparison of Speaker Role Recognition and Speaker Enrollment Protocol for conversational Clinical Interviews [9.728371067160941]
  エンドツーエンドのニューラルネットワークアーキテクチャをトレーニングし、各タスクに適応し、各アプローチを同じメトリクスで評価します。 結果は面接者の人口統計にも依存せず,その臨床的意義を浮き彫りにした。
  論文  参考訳（メタデータ） (2020-10-30T09:07:37Z)
• Continuous Speech Separation with Conformer [60.938212082732775]
  分離システムでは、リカレントニューラルネットワークの代わりにトランスとコンバータを用いる。 我々は,自己注意に基づく方法でグローバルな情報を取得することが,音声分離に不可欠であると信じている。
  論文  参考訳（メタデータ） (2020-08-13T09:36:05Z)

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。