論文の概要: Boundary-Free Contextual Biasing: Depth-Adaptive Gating and Reading-Space Matching for Unsegmented Languages

• arxiv url: http://arxiv.org/abs/2610.09467v1
• Date: Wed, 07 Oct 2026 05:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.733806
• Title: Boundary-Free Contextual Biasing: Depth-Adaptive Gating and Reading-Space Matching for Unsegmented Languages
• Title（参考訳）: 境界自由文脈バイアス:未定義言語に対する深さ適応ゲーティングと読み取り空間マッチング
• Abstract要約: キャラクタレベルAho-Corasickオートマトン上に構築した冷凍CTCモデルに対する境界自由バイアスデコーダを提案する。 日本語の文脈バイアスベンチマークを初めて公開し,97%以上の精度でレアワードリコールを25ポイント引き上げた。
• 参考スコア（独自算出の注目度）: 1.6586676903257775
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Contextual biasing supplies an ASR system with a list of expected words at inference time, but existing methods rely on word boundaries that Japanese and Chinese do not provide. We present a boundary-free biasing decoder for frozen public CTC models, built on a character-level Aho-Corasick automaton, with no training and no second pass. Two evidence-based mechanisms replace the boundary: a depth-adaptive gate that sets how hard to push from match depth, and reading-space matching for when the audio is right but the characters are wrong. On Aishell-1 NE's hard R1 subset we reach 66.5% recall, above the trained CLAS baseline (64%), transferring to WenetSpeech and to a second architecture without retuning. We release the first open Japanese contextual-biasing benchmark, where biasing lifts rare-word recall by 25 points at precision above 97%, and still by 19 and 22 points against 1,000-word lists.
• Abstract（参考訳）: 文脈バイアスは、予測された単語のリストを推論時にASRシステムに供給するが、既存の手法は日本語と中国語が提供しない単語境界に依存している。 我々は,文字レベルAho-Corasickオートマトン上に構築された冷凍CTCモデルのための境界自由バイアスデコーダを提案する。 2つのエビデンスベースのメカニズムが境界を置き換えている: 深さ適応ゲートは、マッチ深度から押すのがどれだけ難しいかを設定する。 Aishell-1 NEのハードR1サブセットでは、トレーニング済みのCLASベースライン(64%)の上に66.5%リコールし、WenetSpeechと第2のアーキテクチャに再チューニングせずに移行した。 そこでは,97%以上の精度でレアワードリコールを25ポイント,さらに1,000ワードリストに対して19ポイント,22ポイントの精度でリコールする。

関連論文リスト

• Automatic Speech Recognition for Low-Resource Sinhala: A Critical Review of Methods, Challenges, and Future Directions [0.0]
  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。
  論文  参考訳（メタデータ） (2026-10-05T01:49:45Z)
• Benchmarking Speech-to-Speech Translation Models [55.00303727199927]
  音声音声翻訳(S2ST)は急速に進歩しているが、オフライン評価には統一されたプロトコルが欠けている。 8次元にわたる46のメトリクスを統合するベンチマークフレームワークを導入する。 FLEURSとCVSSから1,248のモデル言語構成でデプロイする。
  論文  参考訳（メタデータ） (2026-06-02T07:01:33Z)
• 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)
• TimeStampEval: A Simple LLM Eval and a Little Fuzzy Matching Trick to Improve Search Accuracy [0.0]
  TimeStampEvalは、非バーバティムな引用を与えられた長い書き起こしから正確にミリ秒のタイムスタンプを取得するためのベンチマークである。 簡単な2段階法では,推論コストを90%以上削減しながら,検索精度を劇的に向上させる。 モチベーションのユースケースは、議会記録のクリップをAIがホストする動詞のナレーションにまとめる、自動化されたロングフォームポッドキャストである。
  論文  参考訳（メタデータ） (2025-10-27T21:54:56Z)
• Towards Unsupervised Speech Recognition at the Syllable-Level [95.54031547995874]
  マスク付き言語モデリングに基づく音節レベルのUASRフレームワークを提案する。 我々は,従来の手法では特に難しい言語であるマンダリンを効果的に一般化する。
  論文  参考訳（メタデータ） (2025-10-04T02:56:33Z)
• Building Tailored Speech Recognizers for Japanese Speaking Assessment [6.152272170188488]
  我々はアクセントマーカーで音声ラベルを出力する音声認識器を構築した。 日本語は資源に富んでいるが、正確な音素の書き起こしを行うための訓練用データはほとんどない。
  論文  参考訳（メタデータ） (2025-09-25T01:26:11Z)
• Towards stable AI systems for Evaluating Arabic Pronunciations [0.7999703756441757]
  この音素レベルの課題は、単独の文字には共調的手がかりがなく、語彙的文脈がなく、数百ミリ秒しか持たないため、困難であることを示す。 本研究は、アラビア文字の多様で分類されたコーパスを導入し、最先端のwav2vec 2.0モデルが35%の精度しか達成していないことを示す。
  論文  参考訳（メタデータ） (2025-08-27T05:49:15Z)
• Towards Unsupervised Speech Recognition Without Pronunciation Models [57.222729245842054]
  本稿では,ペア音声とテキストコーパスを使わずにASRシステムを開発するという課題に取り組む。 音声合成とテキスト・テキスト・マスクによるトークン埋込から教師なし音声認識が実現可能であることを実験的に実証した。 この革新的なモデルは、レキシコンフリー環境下での以前の教師なしASRモデルの性能を上回る。
  論文  参考訳（メタデータ） (2024-06-12T16:30:58Z)
• SpellMapper: A non-autoregressive neural spellchecker for ASR customization with candidate retrieval based on n-gram mappings [76.87664008338317]
  文脈スペル補正モデルは、音声認識を改善するために浅い融合に代わるものである。 ミススペルn-gramマッピングに基づく候補探索のための新しいアルゴリズムを提案する。 Spoken Wikipediaの実験では、ベースラインのASRシステムに比べて21.4%のワードエラー率の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-04T10:00:12Z)
• Robust Acoustic and Semantic Contextual Biasing in Neural Transducers for Speech Recognition [14.744220870243932]
  そこで本稿では,文脈バイアスを改善するために,軽量な文字表現を用いて微粒な発音特徴を符号化することを提案する。 さらに、事前学習されたニューラルネットワークモデル(NLM)をベースとしたエンコーダを統合し、発話の意味的文脈を符号化する。 Librispeechデータセット上のConformer Transducerモデルを用いた実験では、異なるバイアスリストサイズに対するWERの相対的な改善が4.62%から9.26%である。
  論文  参考訳（メタデータ） (2023-05-09T08:51:44Z)
• Unsupervised Speech Recognition [55.864459085947345]
  wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。 我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。 より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
  論文  参考訳（メタデータ） (2021-05-24T04:10:47Z)

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。