論文の概要: Error Rate is Not Enough: Costs of Augmentation in Low-Resource ASR

• arxiv url: http://arxiv.org/abs/2610.13807v1
• Date: Fri, 09 Oct 2026 16:19:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.684321
• Title: Error Rate is Not Enough: Costs of Augmentation in Low-Resource ASR
• Title（参考訳）: エラーレートはそれほど高くない-低資源ASRの増産コスト
• Abstract要約: 我々は,低リソース言語4言語と英語5つのデータサイズにおけるデータ拡張について検討した。 SpecAugmentは最も信頼性の高いアグリゲーション改善があるが、トーンや口蓋化エラーが増加する。 トレーニング前に測定可能な露出と音響特性のトレーニングによる拡張を選択することを推奨する。
• 参考スコア（独自算出の注目度）: 8.197070429322798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data augmentation is standard practice for low-resource automatic speech recognition (ASR), but its benefits are almost always reported as aggregate error rates, leaving open why and when a method helps. On four low-resource languages and English at five data sizes, we cross two augmentations that modify existing audio (speed perturbation and SpecAugment) with two that modify text transcriptions and synthesize audio from it. We analyze errors at the phoneme level and find that they help for complementary reasons. SpecAugment has the most reliable aggregate improvements, but increases tone and palatalization errors, whereas text-based methods introduce consonant insertions; in combination, each reduces the errors the other introduces. This complementarity is predictable. Tone and palatalization are each signaled by a single acoustic property and occur least frequently in training (lowest training exposure), and text-based methods that flatten word frequency raise their frequency by 37--38%, reversing those errors while further improving aggregate error. The improvement from combining the methods exceeds the sum of their individual improvements; the superadditivity vanishes by 100 hours, limiting the complementarity to the low-resource regime. Where specific error types matter, we recommend selecting augmentation by training exposure and acoustic properties, both measurable before any training.
• Abstract（参考訳）: データ拡張は、低リソース自動音声認識(ASR)の標準的な慣行であるが、その利点は、ほとんどの場合、集約エラー率として報告され、メソッドが役に立つ理由とタイミングをオープンにしておく。 4つの低リソース言語と5つのデータサイズを持つ英語で、既存のオーディオ(高速摂動とSpecAugment)を変更する2つの拡張と、テキストの書き起こしを変更し、そこからオーディオを合成する2つの拡張を横断します。 音素レベルでの誤りを分析し、相補的な理由からそれらが有効であることを示す。 SpecAugmentは最も信頼性の高いアグリゲーション改善があるが、トーンと口蓋化エラーが増加し、テキストベースのメソッドでは子音挿入が導入される。 この相補性は予測可能である。 音色と口蓋音は、それぞれ1つの音響特性によって信号され、訓練において最も頻度が低い(最も低い訓練露光)。 組み合わせによる改善は個々の改善の総和を超え、超添加度は100時間で消滅し、低資源体制への相補性が制限される。 特定のエラータイプが重要である場合は、トレーニング前に測定可能な露出と音響特性をトレーニングすることで、拡張を選択することを推奨する。

関連論文リスト

• Hard to Be Heard: Phoneme-Level ASR Analysis of Phonologically Complex, Low-Resource Endangered Languages [2.3513645401551337]
  本稿では,低リソースかつ音韻的に複雑な2つの東コーカサス語に対する音声認識(ASR)の音素レベル解析について述べる。 既存の記録と転写は統合され、ASR訓練及び評価に適した形式に処理される。
  論文  参考訳（メタデータ） (2026-04-20T12:54:14Z)
• 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)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Adversarial Training For Low-Resource Disfluency Correction [50.51901599433536]
  ディフルエンシ補正(DC)のための逆学習型シーケンスタグ付けモデルを提案する。 提案手法の利点は,3つのインド語でDCに対して評価することで,合成された非流動データに大きく依存することを示す。 また,本手法は,音声障害によって導入されたASR文字の破面的不一致の除去にも有効である。
  論文  参考訳（メタデータ） (2023-06-10T08:58:53Z)
• Weakly-supervised forced alignment of disfluent speech using phoneme-level modeling [10.283092375534311]
  重み付き有限状態変換器を用いたアライメントグラフの構成法を提案する。 提案手法は, 強制アライメントのための音声不一致の動詞的書き起こしの必要性を軽減する。 TIMITテストセットとUCLASSデータセットの劣化バージョンについて評価したところ,大幅な改善が見られた。
  論文  参考訳（メタデータ） (2023-05-30T09:57:36Z)
• Distribution augmentation for low-resource expressive text-to-speech [18.553812159109253]
  本稿では,TTS(text-to-speech)のための新しいデータ拡張手法を提案する。 追加データを必要とすることなく、新たな(テキスト、オーディオ)トレーニング例を生成することができる。
  論文  参考訳（メタデータ） (2022-02-13T21:19:31Z)
• Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
  本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。 正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
  論文  参考訳（メタデータ） (2022-01-14T17:09:22Z)
• Data augmentation using prosody and false starts to recognize non-native children's speech [12.911954427107977]
  本稿では,AaltoASRによるInterSPEECH 2020共有音声認識タスクのための音声認識システムについて述べる。 本研究の課題は, 年齢の異なる子どもから, 限られた発話量で非母国語を識別することである。
  論文  参考訳（メタデータ） (2020-08-29T05:32:32Z)

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。