論文の概要: PEDBench: Can Speech Models Detect Phonetic Errors?

• arxiv url: http://arxiv.org/abs/2610.20830v1
• Date: Wed, 14 Oct 2026 19:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.036929
• Title: PEDBench: Can Speech Models Detect Phonetic Errors?
• Title（参考訳）: PEDBench:音声モデルは音声誤りを検出できるか?
• Abstract要約: 音声誤り検出は教育的・臨床的音声評価と介入に不可欠である。 音声モデルの進歩にもかかわらず、音素のきめ細かい誤りを確実に検出する能力は、まだ不明である。 PEDBenchは、自然から制御された音声まで連続体にまたがる最初のPEDベンチマークである。
• 参考スコア（独自算出の注目度）: 39.92512344615037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phonetic error detection (PED) aims to identify phoneme-level substitutions, deletions, and insertions and is essential for educational and clinical speech assessment and intervention. Despite recent advances in speech models for phoneme recognition, their ability to reliably detect fine-grained phonetic errors remains unclear because of a lack of high-quality evaluation data. To address this gap, we introduce PEDBench, the first PED benchmark spanning a continuum from natural to controlled speech. It comprises real-world recordings of spoken errors made by children (N=334), scripted error productions by human actors (N=1,188), and synthetic error productions generated using phone-conditioned text-to-speech (N=1,083). All phonetic annotations were transcribed and verified by two phonetically trained annotators. Our evaluation of 13 state-of-the-art speech models shows that they fail to reliably detect phonetic errors, even under controlled conditions with acted and synthetic speech, where acoustic variability is reduced. The models also exhibit low precision, frequently misclassifying correctly pronounced phonemes as errors. Our speech-language models, fine-tuned on synthetic data, outperform commercial and open-source baselines on word-level PED, although a sim-to-real domain gap remains. We plan to publicly release our code and recipes, along with our acted and synthetic datasets, to support the development of more accurate PED systems.
• Abstract（参考訳）: 音声誤り検出 (PED) は, 音素レベルの置換, 削除, 挿入を識別することを目的としており, 教育的, 臨床的音声評価と介入に不可欠である。 近年,音素認識のための音声モデルの開発が進んでいるが,高品質な評価データがないため,音素の微細な誤りを確実に検出する能力はいまだに不明である。 PEDBenchは自然から制御された音声まで連続体にまたがる最初のPEDベンチマークである。 子供による音声誤りの実際の記録(N=334)、人間のアクターによるスクリプトエラー生成(N=1,188)、電話条件のテキスト音声(N=1,083)を用いて生成された合成エラー生成(N=1,083)を含む。 すべての音韻アノテーションは、2つの音韻的に訓練されたアノテータによって書き起こされ、検証された。 13種類の最先端音声モデルを用いて評価したところ,音素の変動が減少する実演・合成音声の制御条件下であっても,音素の誤りを確実に検出できないことがわかった。 モデルは低精度で、しばしば正しく発音された音素を誤りとして誤分類する。 我々の音声言語モデルは、合成データに基づいて微調整され、単語レベルPEDの商用およびオープンソースベースラインよりも優れていますが、シミュレートとリアルのドメインギャップは残っています。 我々は、より正確なPEDシステムの開発を支援するために、我々のコードとレシピと、行動データセットと合成データセットを公開する予定です。

関連論文リスト

• Graph-Based Phonetic Error Correction of Noisy ASR [15.765749498997442]
  本稿では,音声グラフモデリングと文脈言語理解を組み合わせた構造化ASR補正フレームワークを提案する。 グラフニューラルネットワーク(GNN)は、まず、フラグ付きトークンに対して、音響的に検証可能な候補近傍を構築する。 その後、マスク付き言語モデル(MLM)が局所的な文脈スコアリングを提供し、命令調整型大規模言語モデル(LLM)が最終的な文脈認識の再ランク付けを行う。
  論文  参考訳（メタデータ） (2026-04-29T13:57:11Z)
• Evaluating ASR robustness to spontaneous speech errors: A study of WhisperX using a Speech Error Database [0.13108652488669734]
  サイモンフレーザー大学音声誤りデータベース(英語: Simon Fraser University Speech Error Database、SFUSED)は、言語学と精神言語学の研究のために開発された公開データ収集である。 SFUSEDは、自発的な英語音声からの音声誤りを体系的にアノテートし、それぞれの誤りを意図的および実際の誤り生成のためにタグ付けする。
  論文  参考訳（メタデータ） (2025-08-18T16:30:33Z)
• Languages in Multilingual Speech Foundation Models Align Both Phonetically and Semantically [58.019484208091534]
  事前訓練された言語モデル(LM)における言語間アライメントは、テキストベースのLMの効率的な転送を可能にしている。 テキストに基づく言語間アライメントの発見と手法が音声に適用されるかどうかについては、未解決のままである。
  論文  参考訳（メタデータ） (2025-05-26T07:21:20Z)
• Phonological Level wav2vec2-based Mispronunciation Detection and Diagnosis Method [11.069975459609829]
  音声特徴量検出に基づく低レベルの誤認識検出と診断(MDD)手法を提案する。 提案手法は,母国語からの英語学習者から収集したL2音声コーパスに適用した。
  論文  参考訳（メタデータ） (2023-11-13T02:41:41Z)
• Optimized Tokenization for Transcribed Error Correction [10.297878672883973]
  本研究では, 合成データのみを用いたトレーニングにより, 補正モデルの性能を著しく向上させることができることを示す。 具体的には、一組の転写データから得られた誤差分布を用いて生成された合成データが、ランダムな摂動を適用する一般的な手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-16T12:14:21Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Integrated Semantic and Phonetic Post-correction for Chinese Speech Recognition [1.2914521751805657]
  提案手法は,中国語ASRの誤り率を軽減するために,誤りとその置換候補間の文脈的表現と音声情報を総合的に活用する手法である。 実世界の音声認識実験の結果,提案手法はベースラインモデルよりも明らかに低いことがわかった。
  論文  参考訳（メタデータ） (2021-11-16T11:55:27Z)
• 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)
• On the Robustness of Language Encoders against Grammatical Errors [66.05648604987479]
  我々は、非ネイティブ話者から実際の文法的誤りを収集し、これらの誤りをクリーンテキストデータ上でシミュレートするために敵攻撃を行う。 結果,全ての試験モデルの性能は影響するが,影響の程度は異なることがわかった。
  論文  参考訳（メタデータ） (2020-05-12T11:01:44Z)

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。