論文の概要: Anuvani-Diarization: Zero Shot Speaker Diarization and Annotation Conventions Across 22 Languages
- arxiv url: http://arxiv.org/abs/2610.20327v2
- Date: Thu, 15 Oct 2026 09:10:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:15.966118
- Title: Anuvani-Diarization: Zero Shot Speaker Diarization and Annotation Conventions Across 22 Languages
- Title（参考訳）: Anuvani-Diarization:22言語にまたがるゼロショット話者ダイアリゼーションとアノテーション条約
- Abstract要約: 話者ダイアリゼーションの課題である、誰がいつ話すかを知ることは、音声応用に不可欠である。
IndicDiarBenchにおける22言語すべてにわたる話者ダイアリゼーションの体系的研究について述べる。
インド会話に自己教師付きエンドツーエンドセグメンテーションモデルを適用するAnuvani-Diarizationを導入する。
- 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: India's 22 scheduled languages are spoken by over a billion people in conversations that mix languages, often within one turn, overlap freely, and take place over telephones, in meetings, and in media. Knowing who spoke when, the task of speaker diarization, is essential to speech applications for such conversation: voice agents conversing with several people at once, speaker attributed transcription of meetings and calls, contact center analytics, and media monitoring. We present a systematic study of speaker diarization across all 22 languages on IndicDiarBench and introduce Anuvani-Diarization, which adapts a self-supervised end-to-end segmentation model to Indian conversation with uncertainty aware silver supervision. Evaluated zero shot alongside nine recent diarization systems, it reaches a duration weighted diarization error rate (DER) of 16.78% on all 1,164 recordings, the lowest of all systems we ran and second only to the best published result (16.0%), and leads the three strongest rivals in 14 of 22 languages. It matches its parent on six international benchmarks. We also show that the benchmark's utterance level annotation convention is a hidden variable worth 1.9 to 4.1 DER points, depending on the system, and that a convention learned from other Indian transcriptions does not transfer.
- Abstract（参考訳）: インドの22の予定言語は、10億人以上の人々が会話の中で話し合っており、しばしば1ターン以内に言語が混在し、自由に重複し、電話、会議、メディアで開催される。
話者ダイアリゼーションというタスクは、複数の人と一度に会話する音声エージェント、会議や電話の書き起こしによる話者属性付け、コンタクトセンター分析、メディア監視といった、このような会話のためのスピーチアプリケーションにとって不可欠である。
IndicDiarBench上の22言語すべてを対象とした話者ダイアリゼーションの体系的研究と,不確実性を考慮したインド会話に自己教師付きエンドツーエンドセグメンテーションモデルを適用するAnuvani-Diarizationを導入する。
ゼロショットは9つの最近のダイアリゼーションシステムと共に評価され、全1,164レコードで16.78%の重み付きダイアリゼーション誤差率(DER)に達した。
6つの国際ベンチマークで親と対戦する。
また、このベンチマークの発話レベルアノテーション規約は、システムによって1.9〜4.1 DERポイントの隠れ変数であり、他のインド文字から学習した規約は転送されないことを示す。
関連論文リスト
- Anuvani-LID: Robust and Calibrated Spoken Language Identification for Indian Languages [0.0]
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。
論文 参考訳（メタデータ） (2026-10-14T14:29:35Z) - NADI 2026: The Second Multidialectal Arabic Speech Processing Shared Task [58.96707725438922]
自動音声認識(ASR)、音声対話識別(SDID)、テキスト音声翻訳(TTS)、音声言語翻訳(SLT)、音声言語理解(SLU)の5つのタスクと8つのサブタスクからなる。
Nadir 2026は、低帯域幅、混合ダイアレクト、コードスイッチ、アウト・オブ・ドメイン、ゼロショット設定による現実的な評価を強調している。
論文 参考訳（メタデータ） (2026-09-22T21:37:54Z) - Indic DiarBench: A Multilingual Joint Diarization and ASR Benchmark for Indian Languages [16.175337630361454]
Indic DiarBenchは、インドの22の予定言語にまたがる話者ダイアリゼーションとASRベンチマークデータセットである。
このコーパスは、近距離フィールドミーティング、遠距離フィールド記録、および地中オーディオから、約108時間の自然マルチスピーカーオーディオを含む。
このデータセットは、英語のコードミキシング、方言のバリエーション、話者の重複度など、インドの音声でよく見られる会話のニュアンスをキャプチャする。
論文 参考訳（メタデータ） (2026-07-26T19:12:39Z) - Voice of India: A Large-Scale Benchmark for Real-World Speech Recognition in India [13.263260192783195]
Voice of India(ボイス・オブ・インディア)は、139の地域クラスタにわたる15の主要なインドの言語をカバーする、未記述の電話会話から構築されたクローズドソースベンチマークである。
データセットには306230の発話が含まれており、スペルのバリエーションを考慮した36691人の話者から合計536時間の音声が含まれている。
論文 参考訳（メタデータ） (2026-04-21T07:02:01Z) - Benchmarking Diarization Models [38.40457780873775]
我々は、複数の言語と音響条件にまたがる4つのダイアリゼーションデータセットに対して、最先端のダイアリゼーションモデル5つを評価する。
PyannoteAI は 11.2% DER で最高のパフォーマンスを達成し、DiariZen は 13.3% DER で競争力のあるオープンソースの代替手段を提供する。
故障事例を解析すると,ダイアリゼーションエラーの主な原因は音声セグメントの欠落と話者の混乱にあることがわかった。
論文 参考訳（メタデータ） (2025-09-30T12:32:41Z) - A multi-speaker multi-lingual voice cloning system based on vits2 for limmits 2024 challenge [16.813582262700415]
この課題は,音声クローニング機能を備えた多言語多言語Indic Text-to-Speechシステムの構築である。
このシステムは、課題データを用いて訓練され、ターゲットスピーカー上で数発の音声クローンを行うための微調整が行われた。
論文 参考訳（メタデータ） (2024-06-22T10:49:36Z) - 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) - 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) - Unsupervised Speech Recognition [55.864459085947345]
wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。
我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。
より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
論文 参考訳（メタデータ） (2021-05-24T04:10:47Z)
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。