論文の概要: OpenPA: Forced-alignment-free Multi-granular Pronunciation Assessment with Mixed-transcript Adaptation

• arxiv url: http://arxiv.org/abs/2610.13826v1
• Date: Fri, 09 Oct 2026 16:35:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.688294
• Title: OpenPA: Forced-alignment-free Multi-granular Pronunciation Assessment with Mixed-transcript Adaptation
• Title（参考訳）: OpenPA:Mixed-transcript Adaptationを用いた強制アライメントフリー多粒度発音評価
• Abstract要約: 我々は,強制的なアライメントを伴わずに,単語レベルと発話レベルの発音スコアを共同で予測する新しいフレームワークであるOpenPAを提案する。 OpenPAは、ドメイン内クローズドおよびシミュレートされたオープンレスポンス条件下での評価システムの中で、最も高い総合的な性能を達成する。 口腔癌音声のクロスタスク評価は、OpenPAが非ネイティブ音声を超えて適用可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 17.656808708384435
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in automatic pronunciation assessment (APA) have driven a shift from scripted to free-form assessment. However, existing methods often rely on multi-stage pipelines with forced alignment and separate feature extractors, limiting their practicality across response settings. In light of this, we propose OpenPA, a novel APA framework that leverages Whisper's cross-attention mechanism to jointly predict word- and utterance-level pronunciation scores without forced alignment. Through mixed-transcript adaptation and adaptive substitution weighting, OpenPA accommodates heterogeneous transcripts across closed- and open-response settings within a single model. Trained solely on speechocean762, OpenPA achieves the strongest overall performance among evaluated systems under in-domain closed and simulated open-response conditions, while maintaining its performance zero-shot on MultiPA. An additional cross-task evaluation on oral-cancer speech suggests its potential applicability beyond non-native speech.
• Abstract（参考訳）: 自動発音評価(APA)の最近の進歩は、スクリプティングからフリーフォームアセスメントへのシフトを促している。 しかしながら、既存のメソッドは、強制アライメントと分離された特徴抽出器を備えたマルチステージパイプラインに依存しており、レスポンス設定全体の実用性を制限する。 そこで我々は,Whisperのクロスアテンション機構を利用した新しいAPAフレームワークOpenPAを提案する。 混合転写適応と適応置換重み付けにより、OpenPAは1つのモデル内のクローズド・オープン・レスポンス・セッティングにまたがるヘテロジニアス・トランスクリプトを許容する。 言語ocean762のみで訓練されたOpenPAは、MultiPAの性能をゼロショットに保ちながら、ドメイン内のクローズドおよびシミュレートされたオープンレスポンス条件下での評価システムの中で、最強の全体的な性能を達成する。 口腔癌音声のクロスタスク評価は、非ネイティブ音声以外の適用可能性を示している。

関連論文リスト

• FD-VAD: Semantic Endpoint Detection for Streaming Full-Duplex Speech [67.07361089429757]
  本稿では、ストリーミングオーディオから直接因果音声ウィンドウを定式化するストリーミングエンドポイントFD-VADを提案する。 FD-VADは、TurnBench dev set 0.853$ (FP=0.10) のゼロショット設定で、最も高いEOTリコールを達成している。 これらの結果から,中間的なASRや対話状態のトラッキングを必要とせずに,ストリーミングオーディオから直接セマンティックエンドポイントを実行することができることがわかった。
  論文  参考訳（メタデータ） (2026-09-16T20:35:46Z)
• ASPIRin: Action Space Projection for Interactivity-Optimized Reinforcement Learning in Full-Duplex Speech Language Models [49.18708573170585]
  経験的な評価は、ASPIRinがターンテイキング、バックチャネル、一時停止処理をまたいで対話性を最適化していることを示している。 ASPIRin degrade turn to say when when when to fall when. ASPIRin degrade turn to say when when to say。
  論文  参考訳（メタデータ） (2026-04-11T07:07:08Z)
• Coverage Improvement and Fast Convergence of On-policy Preference Learning [67.36750525893514]
  言語モデルアライメントのためのオンラインのオンラインプライオリティ学習アルゴリズムは、オフラインのアルゴリズムよりも大幅に優れている。 我々は,サンプリング政策の包括的範囲が政治訓練を通じてどのように進展するかを分析する。 一般機能クラス設定における報奨蒸留のための原則的オンライン方式を開発した。
  論文  参考訳（メタデータ） (2026-01-13T10:46:06Z)
• AS-ASR: A Lightweight Framework for Aphasia-Specific Automatic Speech Recognition [5.916484958997203]
  AS-ASRはWhisper-tinyに基づく軽量な失語特異的音声認識フレームワークである。 提案手法は,様々な比率で標準音声と失語音声を体系的に組み合わせ,ロバストな一般化を実現する。
  論文  参考訳（メタデータ） (2025-06-06T22:38:53Z)
• Single Ground Truth Is Not Enough: Adding Flexibility to Aspect-Based Sentiment Analysis Evaluation [41.66053021998106]
  アスペクトベースの感情分析(ABSA)は難しい課題である。 従来の評価手法は、接地真理(GT)を1つの項に制限することが多い。 アスペクトと意見の代替として有効な用語を追加することで、既存の評価セットを拡張する、新しく完全に自動化されたパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-13T11:48:09Z)
• 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)
• Multi-Modal Automatic Prosody Annotation with Contrastive Pretraining of SSWP [18.90593650641679]
  本稿では,2段階自動アノテーションパイプラインを提案する。 第1段階では,音声文と単語句読解ペアのコントラスト事前学習を用いて,潜在表現における韻律情報を強化する。 第2段階では,事前訓練されたエンコーダ,テキスト合成方式,シーケンス分類器からなるマルチモーダルな韻律アノテータを構築した。 英語韻律境界の実験により,韻律語と韻律句に対する0.72と0.93f1のスコアで最先端のSOTA(State-of-the-art)を達成できた。
  論文  参考訳（メタデータ） (2023-09-11T12:50:28Z)
• MultiPA: A Multi-task Speech Pronunciation Assessment Model for Open Response Scenarios [26.852744399985475]
  発音アセスメントモデルにより、ユーザーは実生活のコミュニケーションと同様の方法で言語スキルを実践することができる。 オープン応答に対する文レベルの精度, 流布度, 韻律, 単語レベルの精度評価を提供するマルチタスク発音評価モデルであるMultiPAを提案する。
  論文  参考訳（メタデータ） (2023-08-24T01:24:09Z)
• OpenAUC: Towards AUC-Oriented Open-Set Recognition [151.5072746015253]
  従来の機械学習は、トレーニングとテストセットが同じラベル空間を共有するという密接な前提に従っている。 Open-Set Recognition (OSR) は、クローズセットサンプルとオープンセットサンプルの両方で正確な予測を行うことを目的としている。 これらの問題を解決するために,OpenAUCという新しいメトリクスを提案する。
  論文  参考訳（メタデータ） (2022-10-22T08:54:15Z)

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。