論文の概要: Where Words Begin and End

• arxiv url: http://arxiv.org/abs/2610.17782v2
• Date: Mon, 19 Oct 2026 04:46:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:27:39.051597
• Title: Where Words Begin and End
• Title（参考訳）: 言葉の意味と終わり
• Abstract要約: 音声中の既知の書き起こしの各単語を強制的に特定し、多くの音声パイプラインがそれらに依存する。 読み上げ,会話,電話による英語における単語境界に対するコンディショナー構成を9つ比較した。 各単語の開始と終了をタイムスタンプトークンとして予測するために,私たちはLoRAを使ってWhisperを微調整します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Forced aligners locate each word of a known transcript in the audio, and many speech pipelines depend on them. In our own data, a widely used CTC aligner inserts a pause at nearly every word boundary, and we found almost no aligner evaluated on telephone audio. We compare nine aligner configurations against human word boundaries on read, conversational and telephone English. The Montreal Forced Aligner (MFA) is the most precise, while CTC aligners consistently start words late, because most frames inside a word go to the blank token. We then fine-tune Whisper with LoRA to predict each word's start and end as timestamp tokens, training only on boundaries placed by people: 47 hours in 87 languages. The resulting aligner is more precise than MFA on every English test condition, and than MFA's own Korean and Dutch models. With FA-Bench's protocol and code on TIMIT, its word-boundary error is 11.6 ms, against 18.2 ms for the best published system. Two choices matter most on telephone conversations: placing the timestamp slots after the word they time, and training on noisy transcripts, which also makes the aligner nearly insensitive to errors in the transcript. The released model reaches 16.0 ms on real landline calls, against 36.5 ms for MFA. The models are available at https://huggingface.co/collections/Scicom-intl/force-alignment
• Abstract（参考訳）: 強制整合器は、音声中の既知の書き起こしの単語をそれぞれ特定し、多くの音声パイプラインがそれらに依存する。 我々のデータでは、広く使われているCTC整合器がほぼすべての単語境界で停止を挿入し、電話音声で評価された整合器はほとんど見つからなかった。 読み上げ,会話,電話による英語における単語境界に対するコンディショナー構成を9つ比較した。 モントリオール強制アリグナー(MFA)が最も正確であるが、CTC整列器は単語内のほとんどのフレームが空白のトークンになるため、常に単語を遅く始める。 次に、私たちはLoRAを使って各単語の開始と終了をタイムスタンプトークンとして予測し、人々によるバウンダリのみをトレーニングします。 結果の整合性は、全てのイングランドの試験条件においてMFAよりも正確であり、MFA自身の韓国とオランダのモデルよりも正確である。 FA-BenchのプロトコルとTIMITのコードでは、単語境界誤差は11.6msであり、最高のシステムでは18.2msである。 タイムスタンプスロットを単語の後に配置し、ノイズの多い文字起こしのトレーニングを行うことで、コーディネーターは文字起こしの誤りにほとんど敏感になる。 放出されたモデルは実際の地上電話で16.0ms、MFAでは36.5msに達する。 モデルはhttps://huggingface.co/collections/Scicom-intl/force-alignmentで利用可能だ。

関連論文リスト

• FA-Bench: A Benchmark for Word-Level and Phone-Level Forced-Alignment and ASR Timestamps Under Clean and Noisy Conditions [34.05861211659408]
  強制アライメントは、音声とテキストの書き起こしをアライメントし、単語と電話のタイムスタンプを生成する。 FA-Benchは、これらの選択を一度修正し、コード、分割、電話マッピング、テキスト正規化、スコアリングスクリプトをリリースするオープンフレームワークである。 発話のすべてのバウンダリをスコアし、それの横にある2つのラベルをチェックします。
  論文  参考訳（メタデータ） (2026-09-26T09:16:06Z)
• Gradient-Based Speech-to-Text Alignment for Any ASR Model: From CTC to Speech LLMs [36.7171990723005]
  我々は任意の微分可能なASRモデルに適用可能な一般化勾配に基づくアライメントについて検討する。 本研究は,4家系の16種類のモデルにおいて,それぞれが自家用または注意に基づくアライメントに対して,読み上げ(TIMIT)と自発(Buckeye)の発話で評価する。
  論文  参考訳（メタデータ） (2026-07-07T21:57:54Z)
• Multilingual Word-Level Forced Alignment with Self-Supervised Representations and Learned Dynamic Programming [8.651679612591758]
  本稿では,アライメントエンコーダと学習アライメントデコーダからなる,高精度な多言語単語レベル強制アライメント手法を提案する。 エンコーダは2つの表現を統合する: 1つはMMSモデルからのもので、もう1つは自己教師型音素境界検出器(UnSupSeg)からのものである。 長い時間的文脈において、それらと融合し、単語境界確率を推定することを学ぶ。 アライメントデコーダは、エンコーダ出力とMMSおよびUnSupSeg表現上のセグメント特徴を組み合わせて最終単語境界を推測する学習された動的プログラミングである。
  論文  参考訳（メタデータ） (2026-06-09T10:27:59Z)
• SonoEdit: Null-Space Constrained Knowledge Editing for Pronunciation Correction in LLM-Based TTS [1.392548092257887]
  本稿では,事前訓練したTSモデルの発音誤りを再訓練せずに外科的に修正するモデル編集手法であるSanoEditを紹介する。 コストのかかる微調整や明示的な音素注入の代わりに,Null-Space Pronunciation Editingに基づく類似の代替法を提案する。
  論文  参考訳（メタデータ） (2026-01-23T08:40:49Z)
• Speech Vecalign: an Embedding-based Method for Aligning Parallel Speech Documents [12.409953903262732]
  音声ベカリンは並列文書アライメント法である。 Vecalignは音声セグメントの埋め込みを単調に調整する。 Vecalignはより長い音声と音声のアライメントを生成する。
  論文  参考訳（メタデータ） (2025-09-22T19:37:20Z)
• Long-Form Speech Generation with Spoken Language Models [64.29591880693468]
  テキストなしの音声言語モデルは、数十秒を超える可読な音声を生成するのに苦労する。 我々は、長音の音声から学習し、サンプルする最初の音声言語モデルであるSpeechSSMを導出する。 SpeechSSMは線形時間列モデリングの最近の進歩を活用し、コヒーレンスと効率性において現在のトランスフォーマー音声LMを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-12-24T18:56:46Z)
• CoSTA: Code-Switched Speech Translation using Aligned Speech-Text Interleaving [61.73180469072787]
  インド語から英語のテキストへのコード変更音声の音声翻訳(ST)の問題に焦点をあてる。 本稿では、事前訓練された自動音声認識(ASR)と機械翻訳(MT)モジュールを足場として、新しいエンドツーエンドモデルアーキテクチャCOSTAを提案する。 COSTAは、多くの競合するカスケードおよびエンドツーエンドのマルチモーダルベースラインを3.5BLEUポイントまで上回っている。
  論文  参考訳（メタデータ） (2024-06-16T16:10:51Z)
• Assessing the Latent Automated Program Repair Capabilities of Large Language Models using Round-Trip Translation [44.3761164214368]
  RTT(Round-Trip Translation): あるプログラミング言語から別のプログラミング言語や自然言語にコードを翻訳する。 JavaにおけるRTT生成パッチの詳細な量的および定性的な分析を行う。 RTTはHumanEval-JavaベンチマークでGPT-4を用いた164のバグのうち100件に対して可塑性パッチを生成し,97件を手作業で評価した。
  論文  参考訳（メタデータ） (2024-01-15T22:36:31Z)
• MRN: Multiplexed Routing Network for Incremental Multilingual Text Recognition [56.408324994409405]
  多重ルーティングネットワーク(MRN)は、現在見られる言語ごとに認識器を訓練する。 MRNは、古いデータへの依存を効果的に減らし、破滅的な忘れ物との戦いを改善する。 既存の汎用IL法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2023-05-24T06:03:34Z)
• Few-Shot Cross-Lingual TTS Using Transferable Phoneme Embedding [55.989376102986654]
  本稿では,言語間テキスト-音声間問題に対処するための移動可能な音素埋め込みフレームワークについて,数ショット設定で検討する。 本稿では,音素ベースのTSモデルと,異なる言語からの音素を学習潜在空間に投影するコードブックモジュールからなるフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-27T11:24:40Z)
• 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。