論文の概要: From Detection To Anticipation: Continuous Onset Forecasting For Stuttered Speech

• arxiv url: http://arxiv.org/abs/2610.19235v1
• Date: Tue, 13 Oct 2026 21:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.821374
• Title: From Detection To Anticipation: Continuous Onset Forecasting For Stuttered Speech
• Title（参考訳）: 検出から予測へ:発声音声の連続的オンセット予測
• Abstract要約: 自動スタッタリングシステムは、主に障害発生後に障害を検知し、予測介入の使用を制限する。 本研究では,このギャップを連続因果予測として定式化することで解決する。 モデルでは,先行音声のみを用いて,100ミリ秒毎に来るべき発散のリスクを推定する。 これらの結果から, 発話中の時間的情報を測定することで, 発声開始が先行することを示すとともに, 将来の予測発声システムの枠組みを確立することができる。
• 参考スコア（独自算出の注目度）: 8.490674487991074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic stuttering systems primarily detect dysfluencies after they have occurred, limiting their use for anticipatory intervention. We address this gap by formulating stuttering prediction as continuous causal time-to-event forecasting, where a model estimates the risk of an upcoming stuttering onset every 100 ms using only preceding speech. To support this task, we augment FluencyBank Timestamped for 36 speakers with manually reviewed repetitions, prolongations, and blocks, yielding 2,872 forecasting events. We then model the temporal evolution of frozen Whisper-large-v3 speech representations using a compact causal Conformer with 3.67M trainable parameters. The proposed approach achieves an AUROC of 0.63. Temporal analysis further shows that explicitly modeling preceding speech states outperforms simply increasing the static acoustic window, while a discrete-time survival formulation provides coherent forecasts from 300 ms to 1.5 s using a single model. These results provide initial evidence that stuttering onset is preceded by measurable temporal information in speech and establish a framework for future anticipatory stuttering systems.
• Abstract（参考訳）: 自動スタッタリングシステムは、主に障害発生後に障害を検知し、予測介入の使用を制限する。 提案手法は,100ミリ秒毎の連続因果予測(continuous causal time-to-event forecasting)を定式化することにより,そのギャップを解消する。 このタスクをサポートするために、FluencyBank Timestampedを36人のスピーカー向けに拡張し、手動で繰り返し、延長、ブロックをレビューし、2,872件の予測イベントを生成しました。 次に、3.67Mの訓練可能なパラメータを持つコンパクト因果変換器を用いて、凍結したWhisper-large-v3音声表現の時間的進化をモデル化する。 提案手法はAUROCが0.63である。 時間的分析により、先行する音声状態の明示的モデリングは、単に静的な音響窓を増大させるのに対して、離散時間生存の定式化は、1つのモデルを用いて300msから1.5sまでのコヒーレントな予測を提供する。 これらの結果から, 発話中の時間的情報を測定することで, 発声開始が先行することを示すとともに, 将来の予測発声システムの枠組みを確立することができる。

関連論文リスト

• Predictive-Generative Drift Decomposition for Speech Enhancement and Separation [42.49632892186173]
  本稿では,先行した生成音声による予測手法を増強する,音声強調と分離のためのプラグアンドプレイフレームワークを提案する。 表現力学をタスク固有のドリフトとデノナイジングコンポーネントに分解し、予測推定を生成的サンプリングプロセスに直接組み込む。 これにより、強い事前学習された予測子と生成モデルのパワーを結合する数学的基盤の枠組みが得られる。
  論文  参考訳（メタデータ） (2026-05-07T13:04:38Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Avoiding Inference Heuristics in Few-shot Prompt-based Finetuning [57.4036085386653]
  文ペア分類タスクのプロンプトベースモデルでは,語彙重なりに基づく推論の一般的な落とし穴が依然として残っていることを示す。 そこで,プレトレーニングウェイトを保存する正規化を加えることは,この破壊的な微調整の傾向を緩和するのに有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-09T10:10:29Z)

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。