論文の概要: Child ASR Adaptation with Adult Retention: An Empirical Study
- arxiv url: http://arxiv.org/abs/2610.08827v1
- Date: Fri, 25 Sep 2026 18:10:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 16:33:44.546676
- Title: Child ASR Adaptation with Adult Retention: An Empirical Study
- Title（参考訳）: 成人拘留児のASR適応 : 実証的研究
- Abstract要約: アラビア語と英語の成人保持を伴う子どものASR適応について検討した。
WERによる認識品質の評価と適応-保持トレードオフの定量化を行う。
- 参考スコア（独自算出の注目度）: 10.584132982823883
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic Speech Recognition (ASR) systems often underperform for children and non-native speakers, while adapting adult ASR models to child speech can cause adult-speech forgetting. We study child ASR adaptation with adult retention across Arabic and English. We compare full fine-tuning, LoRA, and post-hoc weight-space merging across encoder--decoder, encoder--CTC, and AudioLLM-based ASR systems. Experiments use Arabic native and non-native child speech, English MyST child speech, and adult benchmarks from MGB-2 and LibriSpeech test-clean. We evaluate recognition quality with WER and quantify the adaptation--retention trade-off using Retention Index, Child Adaptation Gain, and Adaptation Recovery. Results show that child adaptation is necessary, especially for non-native Arabic and English child speech, but direct adaptation often reduces adult ASR performance. Bilingual adaptation is more stable than language-specific adaptation. Weight-space merging often improves the trade-off, especially for encoder--CTC, Whisper, and AudioLLM-based ASR, with LERP favoring adult retention and TIES recovering stronger child gains. For the encoder--decoder model, direct bilingual fine-tuning remains strongest in raw WER.\footnote{Code, and models are available at https://github.com/qcri/Child-ASR-Adaptation.
- Abstract（参考訳）: 自動音声認識(ASR)システムは、子供や非母国語話者にはあまり良くないが、成人のASRモデルを子語に適応させると、成人の音声を忘れてしまうことがある。
アラビア語と英語の成人保持を伴う子どものASR適応について検討した。
我々は、エンコーダ-デコーダ、エンコーダ-CTC、オーディオLLMベースのASRシステムにまたがるフル微調整、LoRA、ポストホット空間のマージを比較した。
MGB-2 と LibriSpeech test-clean の成人用ベンチマークは、アラビア語と非ネイティブの子供用スピーチ、英語のMyST子用スピーチ、および成人用ベンチマークを使用する。
我々は,WERを用いて認識品質を評価し,保持指数,子適応ゲイン,適応回復を用いた適応保持トレードオフの定量化を行った。
結果から,特に非ネイティブアラビア語および英語の子話では,子供適応が不可欠であることが示唆されるが,直接適応は成人のASRパフォーマンスを低下させることが多い。
バイリンガル適応は言語固有の適応よりも安定している。
重量空間のマージは、特にエンコーダ-CTC、Whisper、AudioLLMベースのASRのトレードオフを改善し、LERPは成人の保留を好み、TIESはより強力な子育てを回復する。
エンコーダ-デコーダモデルでは、直接バイリンガル微調整が生WERで最強である。
\footnote{Code, and models are available at https://github.com/qcri/Child-ASR-Adaptation.com
関連論文リスト
- Can Layer-wise SSL Features Improve Zero-Shot ASR Performance for Children's Speech? [43.31597557333867]
本研究では、最先端SSL事前訓練モデルから抽出した階層的特徴が、ゼロショットシナリオにおける子供の発話におけるASRの性能向上に有効であることを示す。
分析では、ゼロショットシナリオにおいて、子どもの発話におけるASRパフォーマンスを向上させる最も効果的なレイヤを特定した。
論文 参考訳（メタデータ） (2025-08-28T21:32:36Z) - Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet [72.53502346791814]
データセット、SSL表現(WavLM、XEUS)、デコーダアーキテクチャ間のフラットスタートトレーニングを比較した。
SSL表現は成人のスピーチに偏りがあり、子どものスピーチに対するフラットスタートトレーニングはこれらのバイアスを緩和する。
年齢関連ASRと話者検証分析は、プロプライエタリモデルの限界を強調している。
論文 参考訳（メタデータ） (2025-08-22T17:59:35Z) - Towards Inclusive ASR: Investigating Voice Conversion for Dysarthric Speech Recognition in Low-Resource Languages [49.31519786009296]
音声変換モデルを英語の変形音声(UASpeech)に微調整し、話者特性と韻律歪みの両方を符号化する。
次に、健康な非英語音声(FLEURS)を非英語の変形性音声に変換する。
生成されたデータは、MMS(Massively Multilingually Speech)と呼ばれる多言語ASRモデルの微調整に使用される。
論文 参考訳（メタデータ） (2025-05-20T20:03:45Z) - Examining Test-Time Adaptation for Personalized Child Speech Recognition [26.233159818496006]
テスト時間適応(TTA)法はこの領域のギャップを埋める大きな可能性を示している。
市販のASRモデルに適応する2種類のTTA手法-SUTAとSGEM-inの有効性について検討した。
以上の結果から,TTAは平均および各子話者の双方において,市販のASRモデルと微調整型ASRモデルの両方の性能を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2024-09-19T21:40:07Z) - Homogeneous Speaker Features for On-the-Fly Dysarthric and Elderly Speaker Adaptation [71.31331402404662]
本稿では, 変形性関節症と高齢者の話者レベルの特徴を学習するための2つの新しいデータ効率手法を提案する。
話者規則化スペクトルベース埋め込み-SBE特徴は、特別な正規化項を利用して適応における話者特徴の均一性を強制する。
テスト時間適応において、話者レベルのデータ量に敏感であることが示されるVR-LH機能に規定されている特徴ベースの学習隠れユニットコントリビューション(f-LHUC)。
論文 参考訳（メタデータ） (2024-07-08T18:20:24Z) - Accented Speech Recognition With Accent-specific Codebooks [53.288874858671576]
音声アクセントは最先端の自動音声認識(ASR)システムに重大な課題をもたらす。
あまり表現されないアクセントによる性能低下は、ASRの包括的採用に対する深刻な抑止力である。
トレーニング可能なコードブックを用いたクロスアテンションを用いた,エンドツーエンドのASRシステムに対するアクセント適応手法を提案する。
論文 参考訳（メタデータ） (2023-10-24T16:10:58Z) - Adaptation of Whisper models to child speech recognition [3.2548794659022398]
幼児音声におけるWhisperの微調整は、児童音声におけるASR性能を大幅に向上させることを示す。
Wav2vec2モデルは、子どものスピーチで微調整され、Whisperの微調整よりも優れています。
論文 参考訳（メタデータ） (2023-07-24T12:54:45Z) - Transfer Learning for Robust Low-Resource Children's Speech ASR with
Transformers and Source-Filter Warping [11.584388304271029]
本研究では,成人と子どもの発話の領域ギャップを埋めるために,音声のソースフィルタモデルに基づくデータ拡張手法を提案する。
この拡張戦略を用いて、成人データに基づいて事前学習したTransformerモデルに転送学習を適用する。
このモデルは、最近導入されたXLS-Rアーキテクチャ(wav2vec 2.0モデル)に従っている。
論文 参考訳（メタデータ） (2022-06-19T12:57:47Z) - Dynamic Acoustic Unit Augmentation With BPE-Dropout for Low-Resource
End-to-End Speech Recognition [62.94773371761236]
我々は、OOVレートの高い低リソースセットアップで効果的なエンドツーエンドASRシステムを構築することを検討します。
本稿では,BPE-dropout法に基づく動的音響ユニット拡張法を提案する。
我々の単言語トルココンフォーマーは22.2%の文字誤り率(CER)と38.9%の単語誤り率(WER)の競争結果を確立した。
論文 参考訳（メタデータ） (2021-03-12T10:10:13Z)
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。