論文の概要: Anuvani-LID: Robust and Calibrated Spoken Language Identification for Indian Languages

• arxiv url: http://arxiv.org/abs/2610.20263v1
• Date: Wed, 14 Oct 2026 14:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.203781
• Title: Anuvani-LID: Robust and Calibrated Spoken Language Identification for Indian Languages
• Title（参考訳）: Anuvani-LID:インドの言語に対するロバストで校正された音声言語識別
• Abstract要約: 我々は、22のインド語とインドアクセント付き英語にまたがる54,643時間のインド語音声で訓練された115MパラメータLIDコンバータモデルであるAnuvani LIDを提案する。 ジェミニの24ポイントを1秒で上回り、他のシステムが0.713を超えない23言語で0.897得点し、ECEの0.008に校正されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Every multilingual speech pipeline begins with a language decision, an error there propagates silently through recognition, translation and routing. In India it spans 22 scheduled languages across four language families, heard over short, noisy, narrowband and code-mixed audio. Foundational speech models increasingly present language identification (LID) as an inherent latent, generalized capability. Autoregressive decoders in speech models emit a special language ID token, and modern LLMs with audio capabilities can name the language when prompted. We test this assumption on identical clips and find that whisper and similar speech models has tokens for only 15 of the 23 languages, on one second inputs Gemini 3.5 Flash reaches 0.52 macro-F1 and GPT-audio 0.14. We present Anuvani LID, a dedicated 115M parameter LID conformer model trained on 54,643 hours of Indian speech spanning 22 Indian languages and Indian accented English. Along with designed and controlled studies on 102 condition benchmark with speaker and corpus held out tests. Across 37 conditions, it reaches 0.914 mean macro-F1, 5.2 points above Gemini 3.5 Flash and ahead of 14 other systems. It is 24 points ahead of Gemini at one second, scores 0.897 on all 23 languages where no other system exceeds 0.713, and is calibrated to an ECE of 0.008. Reliable Indian LID still requires a robust, dedicated and calibrated model.
• Abstract（参考訳）: すべての多言語音声パイプラインは、言語決定から始まり、そのエラーは認識、翻訳、ルーティングを通じて静かに伝播する。 インドでは、4つの言語ファミリーにまたがる22の計画言語にまたがっており、短い、うるさい、狭い帯域、コードミキシングされたオーディオが聞こえている。 基礎的音声モデルは、言語識別(LID)を本質的に潜在的で一般化された能力として提示する傾向にある。 音声モデルにおける自己回帰デコーダは、特別な言語IDトークンを出力し、音声機能を備えた現代のLLMは、インプット時に言語を名付けることができる。 我々は、この仮定を同一のクリップで検証し、23言語のうち、whisperと類似した音声モデルにトークンが15個しか存在せず、第2の入力であるGemini 3.5 Flashは0.52マクロF1、GPT-audio 0.14に達する。 我々は、22のインド語とインドアクセント付き英語にまたがる54,643時間のインド語音声で訓練された115MパラメータLIDコンバータモデルであるAnuvani LIDを提案する。 スピーカーとコーパスを用いた102条件ベンチマークの設計および制御された研究と共に、テストは終了した。 37の条件で、平均で0.914のマクロF1、Gemini 3.5 Flashより5.2ポイント、その他の14のシステムよりも多い。 ジェミニの24ポイントを1秒で上回り、他のシステムが0.713を超えない23言語で0.897得点し、ECEの0.008に校正されている。 信頼性の高いインドのLIDには、堅牢で専用で校正されたモデルが必要である。

関連論文リスト

• DONDO: Open w2v-BERT Speech-Recognition Base Models for African Languages [0.0]
  本稿では,アフリカ言語を対象としたオープンかつパーミッシブな自動音声認識(ASR)ベースモデルであるDONDOについて述べる。 DONDOは、21の単言語モデルと、27の言語変種にまたがる5つの多言語モデルからなる。 すべてのモデルはApache-2.0ライセンスの下でHugging Face KhayaAI組織でリリースされている。
  論文  参考訳（メタデータ） (2026-07-23T17:25:08Z)
• Do Multilingual VLMs Reason Equally? A Cross-Lingual Visual Reasoning Audit for Indian Languages [0.0]
  インド語における最初の言語間視覚的推論監査について紹介する。 MathVista、ScienceQA、MMMUの980の質問はヒンディー語、タミル語、テルグ語、ベンガル語、カンナダ語、マラタイ語に翻訳される。 英語からインド語に切り替えた場合、精度は9.8～25ポイント低下する。
  論文  参考訳（メタデータ） (2026-03-23T05:56:02Z)
• Towards Robust Speech Representation Learning for Thousands of Languages [77.2890285555615]
  自己教師付き学習(SSL)は、ラベル付きデータの必要性を減らすことで、音声技術をより多くの言語に拡張するのに役立つ。 我々は4057言語にまたがる100万時間以上のデータに基づいて訓練された、ユニバーサル音声のための言語横断言語であるXEUSを提案する。
  論文  参考訳（メタデータ） (2024-06-30T21:40:26Z)
• Multilingual self-supervised speech representations improve the speech recognition of low-resource African languages with codeswitching [65.74653592668743]
  微細な自己教師型多言語表現は絶対単語誤り率を最大20%削減する。 訓練データに制限のある状況では、自己教師付き表現を微調整することが、より良いパフォーマンスと実行可能なソリューションである。
  論文  参考訳（メタデータ） (2023-11-25T17:05:21Z)
• SeamlessM4T: Massively Multilingual & Multimodal Machine Translation [90.71078166159295]
  音声から音声への翻訳,音声からテキストへの翻訳,テキストからテキストへの翻訳,最大100言語の自動音声認識をサポートする単一モデルSeamlessM4Tを紹介する。 我々は、音声とテキストの両方に英語を翻訳できる最初の多言語システムを開発した。 FLEURSでは、SeamlessM4Tが複数のターゲット言語への翻訳の新しい標準を設定し、音声からテキストへの直接翻訳において、以前のSOTAよりも20%BLEUの改善を実現している。
  論文  参考訳（メタデータ） (2023-08-22T17:44:18Z)
• AudioPaLM: A Large Language Model That Can Speak and Listen [79.44757696533709]
  本稿では,音声理解・生成のための大規模言語モデルであるAudioPaLMを紹介する。 AudioPaLMはテキストベースの言語モデルと音声ベースの言語モデルを融合する。 音声認識や音声音声翻訳などの応用により、テキストと音声を処理および生成することができる。
  論文  参考訳（メタデータ） (2023-06-22T14:37:54Z)
• Scaling Speech Technology to 1,000+ Languages [66.31120979098483]
  MMS(Massively Multilingual Speech)プロジェクトは、タスクに応じてサポート言語を10～40倍増やす。 主な材料は、一般に公開されている宗教文書の読解に基づく新しいデータセットである。 我々は,1,406言語,1,107言語用1つの多言語自動音声認識モデル,同一言語用音声合成モデル,4,017言語用言語識別モデルについて,事前学習したwav2vec 2.0モデルを構築した。
  論文  参考訳（メタデータ） (2023-05-22T22:09:41Z)
• ADIMA: Abuse Detection In Multilingual Audio [28.64185949388967]
  音声テキストにおける乱用コンテンツ検出は、音声認識(ASR)を実行し、自然言語処理の進歩を活用することで対処することができる。 ADIMAは,言語学的に多様であり,倫理的にも特徴的であり,注釈付きかつバランスの取れた多言語多義性検出音声データセットである。
  論文  参考訳（メタデータ） (2022-02-16T11:09:50Z)
• Few-shot Learning with Multilingual Language Models [66.49496434282564]
  多様な言語群をカバーするバランスの取れたコーパス上で,多言語の自動回帰言語モデルを訓練する。 私たちの最大のモデルは、20以上の代表言語で数ショットの学習において、新しい最先端の技術を定めています。 本稿では,モデルがどこで成功し,失敗するかを詳細に分析し,特に言語間の文脈内学習を可能にすることを示す。
  論文  参考訳（メタデータ） (2021-12-20T16:52:35Z)
• CLSRIL-23: Cross Lingual Speech Representations for Indic Languages [0.0]
  CLSRIL-23は、23のIndic言語にまたがる生音声から言語間の音声表現を学習する自己教師付き学習ベースモデルである。 wav2vec 2.0の上に構築され、マスク付き潜在音声表現よりも対照的なタスクを訓練することで解決される。 単言語と多言語による事前学習の効果を比較するために,事前学習における言語障害の比較を行った。
  論文  参考訳（メタデータ） (2021-07-15T15:42:43Z)

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。