論文の概要: FFASR: Benchmarking Far-Field Automatic Speech Recognition using High-Fidelity Simulated RIRs

• arxiv url: http://arxiv.org/abs/2609.38897v1
• Date: Wed, 30 Sep 2026 03:44:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.147571
• Title: FFASR: Benchmarking Far-Field Automatic Speech Recognition using High-Fidelity Simulated RIRs
• Title（参考訳）: FFASR:高密度シミュレートRIRを用いた遠距離音声認識のベンチマーク
• Abstract要約: 遠距離自動音声認識は残響・雑音・発声動作下で劣化する。 提案するFFASRは15,637発の音声コーパスと9つの条件にまたがるオープンリーダーボードである。 現代のシステム全体では、平均単語誤り率(WER)は4.4%近くから41.3%まで上昇する。
• 参考スコア（独自算出の注目度）: 2.690705914182313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Far-field automatic speech recognition(ASR) degrades under reverberation, noise, and talker motion, yet the benchmarks that drive model selection emphasize close-microphone speech. We present FFASR, a held-out corpus of 15,637 utterances and an open leaderboard spanning nine conditions, each varying a single acoustic factor: anechoic near-field speech, a measured-versus-simulated office-lab pair, static far-field mixtures at high/mid/low signal-to-noise ratio(SNR), and moving-talker variants at matched SNR. Dry speech from 15 talkers is convolved with hybrid wave/geometrical-acoustics room impulse responses from 14 furnished rooms; because the speech is newly recorded and the test waveforms are never released, the corpus resists training-data contamination. Across contemporary systems, mean word error rate (WER) rises from 4.4% near-field to 41.3% in the static low-SNR condition; a moving talker adds a small but consistent penalty at matched SNR; and on the office-lab pair, measured and simulated WER agree to within about 1.7 pp on average. These results support high-fidelity simulation as a scalable proxy for measured far-field evaluation under the conditions we test.
• Abstract（参考訳）: 遠距離場自動音声認識(ASR)は、残響、雑音、発声動作において劣化するが、モデル選択を駆動するベンチマークでは、近接マイクロホン音声が強調される。 15,637発話の保留コーパスと9つの条件にまたがるオープンリーダーボードであるFFASRについて,それぞれが1つの音響的要因であるアネコニック・ニアフィールド・スピーチ,オフィス・ラブ対,ハイ/ミドル/ロー信号-雑音比(SNR)における静的遠方場混合,一致したSNRにおける移動ストーカー変種について述べる。 15人の話者のドライスピーチは、14の未処理室からのハイブリッド波/幾何学音響室のインパルス応答に関連付けられ、音声は新たに記録され、試験波形は解放されないため、コーパスはトレーニングデータ汚染に抵抗する。 現代のシステム全体では、平均単語誤り率(WER)は静的低SNR条件で4.4%から41.3%に上昇し、移動話者は一致するSNRで小さいが一貫したペナルティを付加し、オフィス・ラボで測定・シミュレーションされたWERは平均1.7pp以内で一致している。 これらの結果は,テスト条件下で測定した遠距離場評価のためのスケーラブルなプロキシとして,高忠実度シミュレーションをサポートする。

関連論文リスト

• Mega-ASR: Towards In-the-wild^2 Speech Recognition via Scaling up Real-world Acoustic Simulation [78.39988331831077]
  Mega-ASRは、スケーラブルな複合データ構築とプログレッシブ・アコースティック・ツー・セマンティック・最適化を組み合わせる。 我々は,Mega-ASRが従来の最先端システムに対して,悪条件ASRベンチマークにおいて大きな優位性を発揮することを示す。
  論文  参考訳（メタデータ） (2026-05-19T13:26:51Z)
• Whisper-RIR-Mega: A Paired Clean-Reverberant Speech Benchmark for ASR Robustness to Room Acoustics [0.0]
  本稿では,室内音響に対する自動音声認識(ASR)の頑健性を評価するために,一対のクリーン音声と残響音声のベンチマークデータセットWhisper-RIR-Megaを紹介する。 各サンプルは、RIR-Megaコーパスからの実室インパルス応答を伴う同じ発話とクリーンなLibriSpeech発話をペアリングする。 1600個のテストサンプルに対して5つのWhisperモデルを評価し,クリーンで残響な条件下で単語誤り率(WER)と文字誤り率(CER)を報告する。
  論文  参考訳（メタデータ） (2026-02-27T01:44:39Z)
• Toward Noise-Aware Audio Deepfake Detection: Survey, SNR-Benchmarks, and Practical Recipes [2.5756681494057045]
  本稿では,MS-SNSD雑音とASVspoof 2021 DF発話を混合し,信号対雑音比(SNR)で評価するフレームワークを提案する。 We study multi-condition training and fixed-SNR testing for pretrained encoder (WavLM, Wav2Vec2, MMS), reporting accuracy, ROC-AUC, and EER on binary and four-class (authenticity x corruption) task。
  論文  参考訳（メタデータ） (2025-12-15T02:22:37Z)
• LOTUSDIS: A Thai far-field meeting corpus for robust conversational ASR [0.0]
  このデータセットは、3人の参加者と15～20分間のセッションで収集された114時間の自発的で説明されていない対話で構成されている。 音声は、0.12mから10mの距離で6つのマイクタイプにまたがる9つの独立した単チャンネルデバイスによって同時に記録された。 タイのウィスパーのベースラインはWER全体の64.3から38.3に、遠距離WERは81.6から49.5に縮小した。
  論文  参考訳（メタデータ） (2025-09-23T07:11:06Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Improving Noise Robustness of Contrastive Speech Representation Learning with Speech Reconstruction [109.44933866397123]
  実環境における音声認識システムの実現には,雑音の堅牢性が不可欠である。 雑音認識のための自己教師型フレームワークにより学習したノイズロスト表現を用いる。 ラベル付きデータのわずか16%で報告された最高の教師付きアプローチに匹敵するパフォーマンスを実現した。
  論文  参考訳（メタデータ） (2021-10-28T20:39:02Z)
• Scenario Aware Speech Recognition: Advancements for Apollo Fearless Steps & CHiME-4 Corpora [70.46867541361982]
  本稿では、TRILLと呼ばれる三重項損失に基づく自己監督基準で訓練された一般的な非意味的音声表現について考察する。 我々は、Fearless Stepsの開発と評価のために、+5.42%と+3.18%の相対的なWER改善を観察した。
  論文  参考訳（メタデータ） (2021-09-23T00:43:32Z)
• 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)
• ASAPP-ASR: Multistream CNN and Self-Attentive SRU for SOTA Speech Recognition [21.554020483837096]
  本稿では,2つの新しいニューラルネットワークアーキテクチャを持つLibriSpeechコーパス上でのSOTA(State-of-the-art)性能について述べる。 ハイブリッドASRフレームワークでは、マルチストリームCNN音響モデルが複数の並列パイプラインにおける音声フレームの入力を処理する。 さらに,24層SRU言語モデルを用いてN-best再構成を行い,テストクリーンで1.75%,他で4.46%のWERを実現した。
  論文  参考訳（メタデータ） (2020-05-21T05:18:34Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。