論文の概要: LLM-HB: Language-Aware LLM-Guided Hotword Biasing for Code-Switching ASR

• arxiv url: http://arxiv.org/abs/2610.16579v1
• Date: Mon, 12 Oct 2026 11:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:26:08.855897
• Title: LLM-HB: Language-Aware LLM-Guided Hotword Biasing for Code-Switching ASR
• Title（参考訳）: LLM-HB:コードスイッチング ASR のための言語対応 LLM-Guided Hotword Biasing
• Abstract要約: コードスイッチングASR(CS-ASR)のための言語対応大規模言語モデル誘導型ホットワードバイアスフレームワークを提案する。 このフレームワークには、Mix-of-experts (MoE)アダプタと補助言語予測ヘッドが組み込まれており、多言語表現のキャプチャと差別化が向上している。 ASRU 2019のコードスイッチングテストセットの実験では、LLM-HBがベースライン上の混合エラーレート(MER)を20.30%削減することを示した。
• 参考スコア（独自算出の注目度）: 52.87628814895152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code-switching (CS) speech, characterized by language alternation within a single utterance, is prevalent in multilingual communities and poses challenges to automatic speech recognition (ASR) due to rapid language transitions. We propose LLM-HB, a language-aware large language model-guided hotword biasing framework for code-switching ASR (CS-ASR). The framework incorporates a mixture-of-experts (MoE) adaptor and an auxiliary language prediction head to better capture and differentiate multilingual representations, while hotwords are injected through LLM-based prompting. Experiments on the ASRU2019 code-switching challenge test set demonstrate that LLM-HB achieves a 20.30% relative reduction in mixed error rate (MER) over the baseline, reaching 5.85% MER under a 15-distractor hotword setting. To the best of our knowledge, this is the first work to integrate LLM-guided biasing into code-switching ASR. We further release the extracted ASRU2019 hotword list to support future research.
• Abstract（参考訳）: Code-Switching (CS) 音声は、単一発話内での言語交替を特徴とし、多言語コミュニティで普及し、高速言語移行による自動音声認識 (ASR) への課題を提起する。 コードスイッチングASR (CS-ASR) のための言語対応大規模言語モデル誘導型ホットワードバイアスフレームワーク LLM-HB を提案する。 このフレームワークは、Multi-of-experts (MoE) アダプタと補助言語予測ヘッドを組み、多言語表現のキャプチャと差別化を向上し、一方、ホットワードはLLMベースのプロンプトによって注入される。 ASRU2019のコードスイッチングテストセットの実験では、LLM-HBはベースライン上での混合エラーレート(MER)の20.30%の相対的な減少を実現し、15-distractorのホットワード設定で5.85%のMERに達した。 私たちの知る限りでは、LLM誘導バイアスをコードスイッチングASRに統合する最初の試みです。 さらに、将来の研究を支援するために、抽出したASRU2019ホットワードリストをリリースする。

関連論文リスト

• Can Large Language Models Understand, Reason About, and Generate Code-Switched Text? [26.210664542372168]
  コードスイッチングは多言語通信において広く普及する現象であるが、混合言語環境における大規模言語モデル(LLM)の堅牢性は未だ十分に理解されていない。 我々は,16種類の並列コード切替言語ペアの変種からなる,高品質なヒューマンアノテーションを備えた新しいベンチマークであるCodeMixQAを紹介する。 コードスイッチングされた質問応答タスクにおけるLCMの推論動作を分析し、混合言語入力に対するモデル処理と推論の仕方について光を当てる。
  論文  参考訳（メタデータ） (2026-01-12T02:52:38Z)
• Breaking Language Barriers: Equitable Performance in Multilingual Language Models [17.343456129678067]
  LLMは、ヒンディー語やスワヒリ語のような低リソース言語(LRL)において、英語のような高リソース言語(HRL)と比較して、CSR(Common Sense Reasoning)タスクにおいて、さらにパフォーマンスが悪くなる。 我々のアプローチは、制御された言語混合法を用いて生成された合成コード切替テキスト上でLLMを微調整することである。 そこで本稿では,CommonSenseQAデータセットから派生した,3つの異なる言語比構成を特徴とする合成符号切替テキストのデータセットを提案する。
  論文  参考訳（メタデータ） (2025-08-18T06:50:24Z)
• CS-Sum: A Benchmark for Code-Switching Dialogue Summarization and the Limits of Large Language Models [18.378069426713]
  コードスイッチング(CS)は、大規模言語モデル(LLM)に重大な課題をもたらす LLMによるCSの理解度を評価するため,CS-Sumを導入した。 CS-Sumは、マンダリン・イングリッシュ、タミル・イングリッシュ、マレー・イングリッシュにまたがるCS対話要約の最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-19T09:18:14Z)
• Blending LLMs into Cascaded Speech Translation: KIT's Offline Speech Translation System for IWSLT 2024 [61.189875635090225]
  大規模言語モデル (LLM) は現在,自動音声認識 (ASR) や機械翻訳 (MT) ,さらにはエンドツーエンド音声翻訳 (ST) など,さまざまなタスクを探索中である。
  論文  参考訳（メタデータ） (2024-06-24T16:38:17Z)
• Code-Switching Red-Teaming: LLM Evaluation for Safety and Multilingual Understanding [10.154013836043816]
  赤チームクエリのコードスイッチングは、大規模言語モデル(LLM)の望ましくない振る舞いを効果的に引き出すことができる 我々は,コードスイッチングされた赤チームクエリを合成するシンプルな,効果的なフレームワークCSRTを紹介した。 CSRTは,既存の多言語リピート技術よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-17T06:08:18Z)
• IRCoder: Intermediate Representations Make Language Models Robust Multilingual Code Generators [49.903001442804594]
  本研究では、コンパイラ中間表現(IR)を活用して、Code-LMの多言語機能を改善する可能性について検討する。 まず,約400万のソースコードファイルからなる並列データセットであるSLTransをコンパイルする。 次に、SLTransにおける因果言語モデリングトレーニングを継続して実施し、Code-LMはIR言語を学習せざるを得なかった。 IRCoderと呼ばれる結果のモデルは、さまざまなコード生成タスクやメトリクスに対して、サイズと一貫性のあるゲインを表示します。
  論文  参考訳（メタデータ） (2024-03-06T17:52:08Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)

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。