論文の概要: Automatic Speech Recognition for Low-Resource Sinhala: A Critical Review of Methods, Challenges, and Future Directions
- arxiv url: http://arxiv.org/abs/2610.05681v1
- Date: Mon, 05 Oct 2026 01:49:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 12:06:13.455102
- Title: Automatic Speech Recognition for Low-Resource Sinhala: A Critical Review of Methods, Challenges, and Future Directions
- Title（参考訳）: 低音源シンハラのための音声認識:方法,課題,今後の方向性の批判的レビュー
- Abstract要約: シンハラ語はスリランカの主要言語であり、話者は約1600万人である。
本稿では,シンハラASR研究の最初の批判的レビューを紹介する。
我々は,既存のシンハラシステムとタミル,マラヤラム,ヒンディーの低リソースASRのアーキテクチャ,トレーニングデータ,単語誤り率(WER),実世界の音響条件に対するロバスト性を比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic speech recognition (ASR) for low-resource languages remains a major challenge. Sinhala, the primary language of Sri Lanka with about 16 million speakers, illustrates the difficulty: agglutinative morphology, a 54-phoneme inventory, subject-object-verb (SOV) syntax and scarce annotated speech data limit both conventional and modern ASR systems. This paper presents the first critical review of Sinhala ASR research, tracing its development from Hidden Markov Models (HMMs) through deep neural networks to self-supervised pre-trained models such as wav2vec 2.0, XLS-R, Whisper and Massively Multilingual Speech (MMS). We compare existing Sinhala systems with related low-resource ASR work on Tamil, Malayalam and Hindi in terms of architecture, training data, word error rate (WER) and robustness to real-world acoustic conditions, and we assess self-supervised and transfer learning as responses to scarce labeled data. We show that most reported WERs are not directly comparable because they differ in corpus, data split and scoring, and that the only controlled comparison in the literature attributes an 18.1% relative WER reduction to corpus correction alone. We also discuss context-aware ASR that draws on phonological, syntactic and semantic knowledge. We identify six research gaps: (1) the lack of large annotated corpora covering multiple dialects and acoustic conditions; (2) weak contextual modeling of Sinhala morphosyntax; (3) high WER in real-world conditions; (4) the absence of standardized benchmarks; (5) the lack of parameter-efficient fine-tuning studies; and (6) the absence of annotated code-switched Sinhala-English speech resources. We outline a research agenda to address these gaps, intended as a roadmap for researchers working on Sinhala and other morphologically rich languages.
- Abstract（参考訳）: 低リソース言語のための自動音声認識(ASR)は依然として大きな課題である。
約1600万人の話者を持つスリランカの主要言語であるSinhalaは、Agglutinative morphology、54音素のインベントリ、主題オブジェクトバーブ(SOV)構文、注釈付き音声データ不足といった難しさを説明している。
本稿では,深層ニューラルネットワークによる隠れマルコフモデル(HMM)から,wav2vec 2.0,XLS-R,Whisper,Massively Multilingual Speech(MMS)といった自己教師付き事前学習モデルへの展開を,Sinhala ASR研究の最初の批判的レビューとして提示する。
我々は,既存のシンハラシステムと,タミル,マラヤラム,ヒンディーにおける低リソースASRのアーキテクチャ,トレーニングデータ,単語誤り率(WER),実環境の音響条件に対するロバスト性を比較検討し,ラベル付きデータへの応答として自己教師と移動学習を評価する。
報告されたWERは、コーパス、データ分割、スコアリングが異なるため、直接比較されるものではなく、文献における唯一の制御された比較は、コーパス修正のみに対する18.1%の相対的なWER削減である。
また、音韻学、構文学、意味論的知識に基づく文脈認識型ASRについても論じる。
本研究は,(1)複数の方言と音響条件をカバーする注釈付きコーパスの欠如,(2)Sinhala morphosyntaxの文脈モデリングの弱さ,(3)Sinhala morphosyntaxの高WER,(4)標準ベンチマークの欠如,(5)パラメータ効率の優れた微調整研究の欠如,(6)アノテーション付き音声リソースの欠如,の6つの研究ギャップを同定する。
我々は、シンハラや他の形態学的に豊かな言語に取り組む研究者のロードマップとして、これらのギャップに対処するための研究課題を概説する。
関連論文リスト
- PAREDA: A Multi-Accent Speech Dataset of Natural Language Processing Research Discussions [7.858383859663038]
この研究は、アクセント、自発性、およびドメイン固有の発話に起因する変動性に焦点を当てている。
特に,マルチアクセント音声データセットであるPAper Reading DAtaset(PAREDA)を紹介する。
我々は,アクセント混合の影響と発話速度の増加を解析し,PAREDA上でのSOTA ASRモデルの性能評価を行った。
論文 参考訳（メタデータ） (2026-05-18T05:10:26Z) - WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。
我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。
改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
論文 参考訳（メタデータ） (2026-01-08T02:23:21Z) - Are ASR foundation models generalized enough to capture features of regional dialects for low-resource languages? [3.703726003145388]
78時間の注釈付きBengali Speech-to-Text(STT)コーパスであるBen-10を開発した。
言語的・データ駆動的な視点からの調査は、言語基盤モデルが地域方言ASRで苦戦していることを示している。
我々は,すべての深層学習手法が方言変化下での音声データのモデル化に苦しむのを観察するが,方言固有のモデルトレーニングは問題を緩和する。
論文 参考訳（メタデータ） (2025-10-27T12:14:52Z) - AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。
AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。
また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
論文 参考訳（メタデータ） (2025-08-29T07:40:39Z) - Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。
最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。
従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
論文 参考訳（メタデータ） (2024-10-06T01:03:42Z) - Towards Language Modelling in the Speech Domain Using Sub-word
Linguistic Units [56.52704348773307]
音節や音素を含む言語単位に基づくLSTMに基づく新しい生成音声LMを提案する。
限られたデータセットでは、現代の生成モデルで要求されるものよりも桁違いに小さいので、我々のモデルはバブリング音声を近似する。
補助的なテキストLM,マルチタスク学習目標,補助的な調音特徴を用いた訓練の効果を示す。
論文 参考訳（メタデータ） (2021-10-31T22:48:30Z) - On the Impact of Word Error Rate on Acoustic-Linguistic Speech Emotion
Recognition: An Update for the Deep Learning Era [0.0]
3つの現代のASRシステムを適用することで、元のスピーチから転写文を作成します。
音響音声機能の抽出と学習には、openSMILE、openXBoW、DeepSpectrum、auDeepを利用します。
IEMOCAPのスピーカーに依存しない開発およびテストパーティションで、最先端の非重み付き平均リコール値73.6,%$と73.8,%$を達成します。
論文 参考訳（メタデータ） (2021-04-20T17:10:01Z) - LRSpeech: Extremely Low-Resource Speech Synthesis and Recognition [148.43282526983637]
データコストの低い言語のためのTLSおよびASRシステムであるLSpeechを開発した。
実験言語(英語)と真の低リソース言語(リトアニア語)で実験を行い,LRSpeechの有効性を検証する。
現在、より稀な言語でTSをサポートするために、商用のクラウド音声サービスにLSpeechをデプロイしています。
論文 参考訳（メタデータ） (2020-08-09T08:16:33Z) - Exploiting Cross-Lingual Knowledge in Unsupervised Acoustic Modeling for
Low-Resource Languages [14.297371692669545]
ゼロリソースシナリオにおける自動音声認識(ASR)のための教師なし音響モデリング(UAM)
第一の問題は、与えられた言語における基本的な(サブワードレベルの)音声ユニットの教師なし発見に関するものである。
第二の問題は教師なしサブワードモデリング(unsupervised subword modeling)と呼ばれる。
論文 参考訳（メタデータ） (2020-07-29T19:45:17Z)
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。