論文の概要: Do Speech Representations Preserve Regional Accent Across Read and Spontaneous Speech?

• arxiv url: http://arxiv.org/abs/2610.06430v1
• Date: Mon, 05 Oct 2026 14:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:24:45.087132
• Title: Do Speech Representations Preserve Regional Accent Across Read and Spontaneous Speech?
• Title（参考訳）: 音声表現は読み書きと自発音声の局所的アクセントを保っているか?
• Abstract要約: 局所的なアクセントは一致した条件下で捉えることができるが、読み上げ音声と自発音声の間に持続するかどうかは不明である。 本研究では,9地域から500人のドイツ人話者を対象にRVG1を学習し,地域分類と連続的な位置情報に関する10の音声表現を比較した。 ウィスパーは一致した条件下では最高速度で0.489の9方向UARと148kmの中央位置誤差に到達するが、転送方向の0.11/0.18 UARと363kmの測地誤差に低下する。
• 参考スコア（独自算出の注目度）: 2.866349289708944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regional accent cues can be captured under matched conditions, but it remains unclear whether they persist between read and spontaneous speech. We study RVG1, with 500 German speakers from nine regions, comparing ten speech representations on regional classification and continuous geolocation under matched conditions and speaker-independent read--spontaneous transfer. Whisper performs best under matched conditions, reaching 0.489 nine-way UAR and 148 km median geolocation error, but drops to 0.11/0.18 UAR across transfer directions and 363 km geolocation error. Self-supervised models show a similar degradation, whereas speaker embeddings are less discriminative in-domain but more robust under transfer. This contrast is consistent across classification and geolocation. Across representations, robustness is associated with how little a representation shifts between styles (style-invariance), for which crossstyle speaker retrieval is an interpretable proxy. Age, sex, sentence-overlap, and duration controls do not account for the gap, although channel characteristics contribute. These results show that strong matched-condition performance does not indicate robust regional information.
• Abstract（参考訳）: 局所的なアクセントは一致した条件下で捉えることができるが、読み上げ音声と自発音声の間に持続するかどうかは不明である。 本研究では,9地域から500人のドイツ人話者を対象にRVG1について検討し,一致した条件下での地域分類と連続的な位置情報に関する10の音声表現と,話者非依存の読み-自発的移動を比較した。 ウィスパーは一致した条件下では最高速度で0.489の9方向UARと148kmの中央位置誤差に到達するが、転送方向の0.11/0.18 UARと363kmの測地誤差に低下する。 自己教師付きモデルは類似の劣化を示すが、話者埋め込みはドメイン内での識別は少ないが、移動中はより堅牢である。 このコントラストは分類と位置で一致している。 表現の全体にわたって、ロバスト性は、表現がスタイル(スタイル不変性)間でどのように変化するかに関係しており、その場合、クロススタイル話者検索は解釈可能なプロキシである。 年齢、性別、文のオーバーラップ、期間制御は、チャンネル特性が寄与するにもかかわらず、ギャップを考慮しない。 これらの結果から, 強い整合条件性能は, 強健な地域情報を示すものではないことが示唆された。

関連論文リスト

• Probing in the Wild: A Case Study of Self-Supervised Speech Representations on Mandarin Sub-dialects with Unsupervised Articulatory Analysis [1.6274707775531156]
  本稿では,全くラベルのない探索パイプラインを用いたマンダリン自己教師音声モデルにおける調音特徴表現のケーススタディを提案する。 以上の結果から,マンダリンサブディレクトにまたがる調音的特徴デオードビリティのパターンが明らかとなった。 以上の結果から,言語に依存しない調音探索が実際の方言コーパスに応用できることが示唆された。
  論文  参考訳（メタデータ） (2026-06-24T06:39:28Z)
• Anatomy of the Modality Gap: Dissecting the Internal States of End-to-End Speech LLMs [15.914430317382077]
  音声とテキストの表現が階層的にどのように進化するかを分析する。 音声表現は、冗長な音声の性質に起因して、広い層間アライメントバンドを示す。
  論文  参考訳（メタデータ） (2026-03-02T06:21:43Z)
• 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)
• Towards Better Disentanglement in Non-Autoregressive Zero-Shot Expressive Voice Conversion [53.26424100244925]
  表現的音声変換は、話者識別と表現的属性の両方を対象音声から所定の音源音声に転送することを目的としている。 本研究では,条件付き変分オートエンコーダを用いた自己監督型非自己回帰型フレームワークを改良する。
  論文  参考訳（メタデータ） (2025-06-04T14:42:12Z)
• Surprise! Uniform Information Density Isn't the Whole Story: Predicting Surprisal Contours in Long-form Discourse [54.08750245737734]
  話者は、階層的に構造化された談話モデル内の位置に基づいて、情報率を変調する。 階層的予測器は談話の情報輪郭の重要な予測器であり,深い階層的予測器は浅い予測器よりも予測力が高いことがわかった。
  論文  参考訳（メタデータ） (2024-10-21T14:42:37Z)
• Dialetto, ma Quanto Dialetto? Transcribing and Evaluating Dialects on a Continuum [25.732397636695882]
  イタリア語方言における音声とテキストのパフォーマンスを測定し,地理的な特徴の相違を実証的に観察する。 この格差は(-0.5)言語的に最もパフォーマンスの高い方言とほぼ類似している。 さらに, 地学的手法を用いて, 見えない場所でのゼロショット性能を予測し, 地理的情報の導入により予測性能を大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-18T16:39:42Z)
• Speech-to-Speech Translation with Discrete-Unit-Based Style Transfer [53.72998363956454]
  個別の自己教師付き表現を用いた音声音声合成(S2ST)は顕著な精度を達成している。 高品質な話者並列データの不足は、翻訳中にスタイル転送を学習する上での課題となる。 我々は、個別の自己教師付き音声表現と音色単位に基づいて、スタイル変換機能を備えたS2STパイプラインを設計する。
  論文  参考訳（メタデータ） (2023-09-14T09:52:08Z)
• A unified one-shot prosody and speaker conversion system with self-supervised discrete speech units [94.64927912924087]
  既存のシステムは韻律と言語内容の相関を無視し、変換された音声の自然度を低下させる。 自己教師付き離散音声単位を言語表現として活用するカスケードモジュラーシステムを提案する。 実験により,本システムは,自然性,知性,話者伝達性,韻律伝達性において,従来の手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2022-11-12T00:54:09Z)
• Evaluating context-invariance in unsupervised speech representations [15.67794428589585]
  現在のベンチマークでは文脈不変性は測定されていない。 我々は文脈不変性を測定するZeroSpeech ABXベンチマークの新バージョンを開発する。 表現の文脈依存性は単語レベルの表現の安定性の予測であることを示す。
  論文  参考訳（メタデータ） (2022-10-27T21:15:49Z)

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。