論文の概要: Who Said What, and Will It Be Remembered? Evaluating Persistent Speaker Attribution Across Meetings

• arxiv url: http://arxiv.org/abs/2609.39344v1
• Date: Wed, 30 Sep 2026 09:09:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.504366
• Title: Who Said What, and Will It Be Remembered? Evaluating Persistent Speaker Attribution Across Meetings
• Title（参考訳）: 誰が何を言ったか、それを思い出すか? 会合全体を通じて持続的な話者属性を評価する
• Abstract要約: 話者識別cpWER(SI-cpWER)による持続話者属性の評価 このベンチマークでは、CiME-8 NOTSOFARとCHiME-6の5つの市販のダイアリゼーション(Diarize-then-identify)カスケード、2つのオープンな学術ベースライン、そしてTyVoiceの完全な129ミーティングCHiME-8 NOTSOFARの評価をカバーしている。 ThyVoiceは私たちのエンドツーエンドのリファレンスシステムで、オーバーラップを修復し、ボイスプリントの作成と更新に使用する証拠をゲートします。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech transcripts used as long-term memory must preserve both words and stable speaker identities. Existing meeting-transcription metrics either ignore speakers or remap anonymous speakers independently in each recording, so they cannot measure whether the same person retains one identity across meetings. We evaluate persistent speaker attribution with Speaker Identified cpWER (SI-cpWER), which scores a corpus under one global speaker-ID assignment. The benchmark covers five commercial diarize-then-identify cascades, two open academic baselines, and ThyVoice on the full 129-meeting CHiME-8 NOTSOFAR evaluation set in clean and noiseaugmented form, plus CHiME-6. ThyVoice is our end-to-end reference system; it repairs overlap and gates the evidence used to create and update voiceprints. Requiring persistent identity changes the commercial ranking: ThyVoice records lower SI-cpWER than every evaluated commercial cascade in all three conditions and the lowest mean in the full panel, 47.13 versus 54.75 for the next system. Complementary lexical, diarization, per-recording attribution, and speaker-clustering diagnostics characterize upstream error surfaces in the final attributed record. These results show why persistent attribution must be evaluated directly in systems that reuse conversations across time.
• Abstract（参考訳）: 長期記憶として使われる音声書き起こしは、単語と安定した話者識別の両方を保存する必要がある。 既存のミーティング書き起こしメトリクスは、各録音において話者を無視したり、匿名話者を個別に再マップする。 1つのグローバルな話者ID割り当ての下でコーパスをスコアする話者識別cpWER(SI-cpWER)を用いて、持続的な話者属性を評価する。 このベンチマークでは、CiME-8 NOTSOFARとCHiME-6の5つの市販のダイアリゼーション(Diarize-then-identify)カスケード、2つのオープンな学術ベースライン、そしてTyVoiceの完全な129ミーティングCHiME-8 NOTSOFARの評価をカバーしている。 ThyVoiceは私たちのエンドツーエンドのリファレンスシステムで、オーバーラップを修復し、ボイスプリントの作成と更新に使用する証拠をゲートします。 ThyVoiceは、すべての評価された商用カスケードよりもSI-cpWERが低く、次のシステムでは47.13対54.75である。 補足語彙、ダイアリゼーション、記録毎の属性、話者クラスタリング診断は、最終的な属性レコードの上流エラー面を特徴付ける。 これらの結果は,会話を時間にわたって再利用するシステムにおいて,永続的帰属を直接的に評価する必要があることを示す。

関連論文リスト

• CoLMbo-SV: A Grounded Language Model for Explainable Speaker Verification [54.830557377967274]
  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。
  論文  参考訳（メタデータ） (2026-09-27T04:51:53Z)
• 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)
• HEAR Who Said What: Unlocking Speaker-Attributed Reasoning via Counterfactual Voice Grounding [54.365959989048406]
  音声言語モデル(SLM)は、ますますマルチスピーカー環境にデプロイされている。 しかし、音声を正しい話者とみなし、話者の身元を判断する能力は、いまだに不明である。 本稿では,話者対応推論の基礎的能力を診断するベンチマークHEARを紹介する。 A2Rは、話者レベルのハードな負を持つ非現実的オーディオに最適化された30Bモデルである。
  論文  参考訳（メタデータ） (2026-08-29T08:01:20Z)
• Dual-Scale State-Space Modeling with Speaker-Wise Dynamic CRF for Speech Emotion Recognition in Conversation [1.6389263804357965]
  感情認識のための音声のみのアーキテクチャであるDSSM-CRFを提案する。 双方向状態空間モデルは、フレームと対話スケールでの融合した自己教師付き音声表現を符号化する。 話者の連鎖における連続的な発話は、スコアがコーパスレベルの遷移行列と、2つの文脈化された発話から予測される残差を組み合わせた遷移対を形成する。
  論文  参考訳（メタデータ） (2026-08-23T12:56:03Z)
• RW-Voice-EQ Bench: A Real World Benchmark for Evaluating Voice AI Systems [5.434878413067881]
  テキスト音声(TTS)、音声音声(STS)、音声理解(SU)、音声認識(ASR)による音声AI評価のための多次元ベンチマークであるReal World Voice EQ Benchを紹介する。 評価の結果, 性能は高次元比であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-16T11:15:16Z)
• Enhancing Speaker Verification with Whispered Speech via Post-Processing [1.8849814100256281]
  本研究では,より頑健な発話障害に対する表現を得るための学習レシピを用いたモデルを提案する。 提案システムは、細調整された話者検証バックボーン上に構築されたエンコーダ-デコーダ構造を用いる。 また, 発声音声を用いた性能評価において, 最も人気があり, 最先端の話者検証モデルの要約も提供する。
  論文  参考訳（メタデータ） (2026-04-22T06:23:40Z)
• A Cocktail-Party Benchmark: Multi-Modal dataset and Comparative Evaluation Results [62.01871490859886]
  第9回CHiMEチャレンジにおいて,マルチモーダルコンテキスト認識(MCoRec)の課題を紹介した。 MCoRecは、録音が説明のない、カジュアルなグループチャットに集中する、自然なマルチパーティの会話をキャプチャする。 このタスクでは、各話者のスピーチを共同で翻訳し、音声・視覚録音から各話者の会話にまとめることにより、「誰がいつ、何、誰と話をするのか?」という質問に答えるシステムが必要である。
  論文  参考訳（メタデータ） (2025-10-27T12:36:43Z)
• One model to rule them all ? Towards End-to-End Joint Speaker Diarization and Speech Recognition [50.055765860343286]
  本稿では,共同話者ダイアリゼーションと音声認識のための新しい枠組みを提案する。 このフレームワークはSLIDARと呼ばれ、任意の長さの入力を処理でき、任意の数の話者を処理できる。 AMIコーパスからの単調録音実験により, 近接話者と遠距離話者の両方の発話シナリオにおける手法の有効性が確認された。
  論文  参考訳（メタデータ） (2023-10-02T23:03:30Z)
• Audio-visual End-to-end Multi-channel Speech Separation, Dereverberation and Recognition [52.11964238935099]
  本稿では,音声-視覚的多チャンネル音声分離,デバーベレーション,認識手法を提案する。 ビデオ入力は、マスクベースのMVDR音声分離、DNN-WPEまたはスペクトルマッピング(SpecM)ベースの音声残響フロントエンドで一貫して実証される。 オックスフォードLSS2データセットのシミュレーションや再生を用いて合成した重畳および残響音声データについて実験を行った。
  論文  参考訳（メタデータ） (2023-07-06T10:50:46Z)
• Joint Speaker Counting, Speech Recognition, and Speaker Identification for Overlapped Speech of Any Number of Speakers [38.3469744871394]
  エンドツーエンドの話者分散音声認識モデルを提案する。 重複した音声における話者カウント、音声認識、話者識別を統一する。
  論文  参考訳（メタデータ） (2020-06-19T02:05:18Z)

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。