論文の概要: Mitigating Accent-Language Confusion in Self-Supervised Speech Representations for Language Identification

• arxiv url: http://arxiv.org/abs/2610.09486v1
• Date: Wed, 07 Oct 2026 05:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.739162
• Title: Mitigating Accent-Language Confusion in Self-Supervised Speech Representations for Language Identification
• Title（参考訳）: 言語識別のための自己教師付き音声表現におけるアクセント・ランゲージ・コンフュージョンの緩和
• Abstract要約: 音声言語識別は、アクセントに関係なくターゲット言語を認識することを目的としている。 自己教師付き音声表現から微調整されたLIDモデルは、アクセントを言語と混同することが多い。 非ネイティブな音声表現は、母国語と母国語L1極の間にあり、体系的な誤分類を引き起こしていることを示す。
• 参考スコア（独自算出の注目度）: 47.76899559610509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spoken language identification (LID) aims to recognize the target language regardless of accent. In practice, however, LID models fine-tuned from self-supervised speech representations frequently confuse accents with languages, misclassifying non-native (L2) speech as the speaker's first language (L1). We show that non-native speech representations lie between native target-language and native L1 poles, causing systematic misclassification. To address this, we introduce a geometric projection that estimates an L1-bias direction solely from native speech and removes it before the frozen LID head. Across five MMS-LID models and non-native corpora, this projection substantially improves target language identification for L2-accented speech while preserving predictions for native speech. These results show that accent-induced L1 bias can be corrected directly within the representation space without L2 training data or model adaptation.
• Abstract（参考訳）: 音声言語識別(LID)は、アクセントに関係なくターゲット言語を認識することを目的としている。 しかし、実際には、自己教師付き音声表現から微調整されたLIDモデルはアクセントと言語をしばしば混同し、非ネイティブ(L2)音声を話者の第一言語(L1)として誤分類する。 非ネイティブな音声表現は、母国語と母国語L1極の間にあり、体系的な誤分類を引き起こしていることを示す。 そこで本研究では,L1バイアス方向をネイティブ音声のみから推定し,凍結したLIDヘッドの前に除去する幾何学的プロジェクションを提案する。 5つのMMS-LIDモデルと非ネイティブコーパスで、この予測はL2アクセント音声のターゲット言語識別を大幅に改善し、ネイティブ音声の予測を保存する。 これらの結果から,L2学習データやモデル適応なしにアクセントによるL1バイアスを直接表現空間内で補正できることが示唆された。

関連論文リスト

• A Native-Reference Coordinate Geometry for L2 Pronunciation Deviation Using Self-Supervised Speech Models [12.863684545287716]
  そこで本研究では,L2音声の低次元参照部分空間を定義し,L2音声をL2音声からL2音声までの距離で評価する手法を提案する。 異なる自己教師付きエンコーダとモデル選択により、結果として得られるネイティブ参照距離は、話しの習熟度と-0.5までの負のスピアマン相関を示し、高い習熟度話者がネイティブ参照空間に近づく傾向があることを示している。
  論文  参考訳（メタデータ） (2026-09-23T13:11:25Z)
• KIT's Submission to Cross-Lingual Voice Cloning in IWSLT 2026 [61.29502937013759]
  言語間音声のクローニングは、ソース言語参照から話者識別を保ちながら、ターゲット言語で音声を生成することを目的としている。 鍵となる課題は、アクセントの変化とドメイン固有の語彙の存在において、知性と自然性を維持することである。 我々は、多言語テキスト音声モデル、FishAudio-S2-Proを構築し、言語制御を改善しアクセントリークを低減するために、言語タグプロンプトを導入する。
  論文  参考訳（メタデータ） (2026-06-05T13:09:21Z)
• Adapting Self-Supervised Speech Representations for Cross-lingual Dysarthria Detection in Parkinson's Disease [72.0406069194794]
  音声表現は、しばしば言語に依存した構造を符号化する。 本稿では,ソース言語による自己教師型音声表現とターゲット言語分布とを一致させる表現レベル言語シフトを提案する。 チェコ語,ドイツ語,スペイン語におけるパーキンソン病音声データセットの経口DDK記録に対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2026-03-23T17:23:39Z)
• LID Models are Actually Accent Classifiers: Implications and Solutions for LID on Accented Speech [4.654709537754806]
  先行研究により,LIDモデルの性能はアクセント付き音声で著しく低下することが示唆された。 LIDシステムはL2アクセント音声を話者の母語あるいは関連言語と誤分類することが多い。 単言語ASRシステムに頼ることなく,シーケンスレベルの情報をモデルに統合する手法を提案する。
  論文  参考訳（メタデータ） (2025-05-31T16:35:40Z)
• Multilingual self-supervised speech representations improve the speech recognition of low-resource African languages with codeswitching [65.74653592668743]
  微細な自己教師型多言語表現は絶対単語誤り率を最大20%削減する。 訓練データに制限のある状況では、自己教師付き表現を微調整することが、より良いパフォーマンスと実行可能なソリューションである。
  論文  参考訳（メタデータ） (2023-11-25T17:05:21Z)
• L1-aware Multilingual Mispronunciation Detection Framework [10.15106073866792]
  本稿では,L1-Aware 音声表現に富んだ多言語MDDアーキテクチャ L1-MultiMDDを提案する。 入力信号とその対応する基準音素シーケンスに基づいて、エンドツーエンドの音声エンコーダを訓練する。 実験では、L1-MultiMDDフレームワークが、L2-ARTIC、LATIC、AraVoiceL2v2と、EpaDBとSpeechocean762データセットの両方で有効であることを示した。
  論文  参考訳（メタデータ） (2023-09-14T13:53:17Z)
• Incorporating L2 Phonemes Using Articulatory Features for Robust Speech Recognition [2.8360662552057323]
  本研究は,韓国語音素を指すL2音素の効率的な組み込みについて,音声特徴分析を用いて検討した。 格子のない最大相互情報(LF-MMI)の目的をエンドツーエンドに使い、音響モデルを訓練し、複数の発音候補のうちの1つを調整・予測する。 実験結果から,提案手法は韓国語L2音声のASR精度をL1音声データのみに基づく訓練により向上させることが示された。
  論文  参考訳（メタデータ） (2023-06-05T01:55:33Z)
• 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)

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。