論文の概要: Prosody-to-Text: Predicting text from low-pass filtered speech

• arxiv url: http://arxiv.org/abs/2610.11544v1
• Date: Thu, 08 Oct 2026 09:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.913263
• Title: Prosody-to-Text: Predicting text from low-pass filtered speech
• Title（参考訳）: Prosody-to-Text:低域フィルタリング音声からのテキスト予測
• Abstract要約: 本研究では,原文の韻律的パターンからどの程度の文を復元できるかを探索し,韻律からテキストへの方向転換を行う。 以上の結果から,低周波音声特徴と語彙内容の関係は従来考えられていたよりも強いことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While predicting prosody from text is an established task in the field, the opposite direction, predicting text that fits a given prosodic pattern, remains largely overlooked. We find this unfortunate, because this opposite direction could lead to some very interesting use cases. Therefore, in this paper, we make the first steps in the prosody-to-text direction by inves- tigating how much of the original sentence can be recovered from its prosodic pattern. To this end, we fine-tune the Whis- per model using only the 12 lowest Mel bins (low-pass filter with approximately 450Hz cutoff), and obtain surprisingly accurate results (WER 36%), with 10% of utterances be- ing recovered perfectly, and 40% of utterances having Word Error Rate at or below 25%. We also find that, given the correct prefix, the next token was predicted correctly in 79% of cases. Our results suggest that the relationship between low-frequency speech features and lexical content is much stronger than previously thought, and we believe that direct- ing more attention to this topic might open the door to new applications, such as using prosody to guide text generation of modern LLMs
• Abstract（参考訳）: テキストから韻律を予測することは現場で確立された課題であるが、与えられた韻律パターンに適合するテキストを予測する反対方向は、ほとんど見落とされ続けている。 というのも、この反対方向は、非常に興味深いユースケースをもたらす可能性があるからです。 そこで本論文では,原文が韻律的パターンからどの程度の頻度で回収できるかを探索することで,韻律から文への方向への第一歩を踏み出す。 この目的のために,最低12個のメルビン(約450Hzカットオフの低域フィルタ)のみを用いてWhis-1モデルを微調整し,驚くほど正確な結果(WER 36%)を得る。 また, 正しい接頭辞を仮定すると, 79%の症例で次のトークンが正しく予測された。 以上の結果から,低周波音声特徴と語彙内容の関係は,従来考えられていたよりもはるかに強いことが示唆される。

関連論文リスト

• Myovox: Reading Speech from the Muscles of the Face [0.0]
  ミオボックスは、発声時の顔の筋肉から記録された31チャンネル表面筋電図(sEMG)から英語のオープン語彙をデコードする。 51.17%のワードエラー率から18.53%までの1つのサブジェクト Emg2speech General Corpus を3つの分離可能な動作で分離して測定する。
  論文  参考訳（メタデータ） (2026-07-15T17:00:41Z)
• 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)
• How Well Do LLMs Imitate Human Writing Style? [2.3754840025365183]
  大規模言語モデル(LLM)は、流動的なテキストを生成することができるが、特定の人間の作者の独特のスタイルを再現する能力は、まだ不明である。 著者の検証とスタイルの模倣分析のための,高速かつトレーニング不要なフレームワークを提案する。 学術エッセイでは97.5%、クロスドメイン評価では94.5%の精度を達成している。
  論文  参考訳（メタデータ） (2025-09-29T15:34:40Z)
• Text Injection for Neural Contextual Biasing [57.589903308622745]
  本研究では文脈テキストインジェクション(CTI)を提案する。 1000億のテキストを持つCTIは、強い神経バイアスモデルから43.3%の相対的なWER削減を達成することができる。
  論文  参考訳（メタデータ） (2024-06-05T04:20:17Z)
• Retrieval is Accurate Generation [99.24267226311157]
  本稿では,支援文書の集合からコンテキスト認識句を選択する新しい手法を提案する。 本モデルでは,検索対象のベースラインの中で,最高の性能と低レイテンシを実現する。
  論文  参考訳（メタデータ） (2024-02-27T14:16:19Z)
• Uncertainty-Aware Unlikelihood Learning Improves Generative Aspect Sentiment Quad Prediction [52.05304897163256]
  トークンレベルの生成を制御するテンプレートに依存しない手法を提案する。 具体的には、事前訓練された言語モデルのビルトイン不確実性を理解するために、モンテカルロのドロップアウトを導入する。 さらに,不確実性を認識した誤りトークンを抑制するために,差分学習を提案する。
  論文  参考訳（メタデータ） (2023-06-01T07:49:06Z)
• Improving Contextual Recognition of Rare Words with an Alternate Spelling Prediction Model [0.0]
  Earnings21データセットに付随するコンテキストバイアスリストをリリースします。 2つの異なる復号アルゴリズムに適用した浅層融合文脈偏差の計算結果を示す。 稀な単語のリコールを34.7%改善するスペル予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-09-02T19:30:16Z)
• Alternate Endings: Improving Prosody for Incremental Neural TTS with Predicted Future Text Input [27.688471304056417]
  インクリメンタルなテキストから音声への合成では、フルコンテキストはしばしば未知であり、自然性を失う可能性がある。 a)未知(ゼロワード)、(b)言語モデル予測、(c)ランダム予測、(d)接地構造など、次の単語のテスト条件を比較した。 予測されたテキストは、ゼロワードルックアヘッドよりも大幅に改善されているが、ランダムワードルックアヘッドよりもわずかに改善されている。
  論文  参考訳（メタデータ） (2021-02-19T13:11:34Z)

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。