論文の概要: Qwen-Audio-Jev: A Unified Interface for Audio Decisions

• arxiv url: http://arxiv.org/abs/2610.21614v1
• Date: Thu, 15 Oct 2026 09:59:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.312049
• Title: Qwen-Audio-Jev: A Unified Interface for Audio Decisions
• Title（参考訳）: Qwen-Audio-Jev: オーディオ決定のための統一インターフェース
• Abstract要約: 我々は,Qwen-Audio-3.1-ASR-Flash-Nextを専用のJev決定ヘッドで拡張することで,Qwen-Audio-Jevを紹介する。 このモデルはCHOICE、NOUL、SCOREの3つの決定プリミティブを通じて選択、二項判定、得点を統一する。 Qwen-Audio-3.1-ASR-Flash-Nextと比較すると、Qwen-Audio-Jevはおよそ20倍の推論高速化を実現している。
• 参考スコア（独自算出の注目度）: 20.364943207675427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large audio language models (LALMs) have made substantial progress in audio understanding. However, in high-throughput applications requiring frequent selection, judgment, and scoring, autoregressive text generation introduces additional computational overhead and response latency. To address this limitation, we introduce Qwen-Audio-Jev by augmenting Qwen-Audio-3.1-ASR-Flash-Next with a dedicated Jev decision head. The model unifies selection, binary judgment, and scoring through three decision primitives: CHOICE, NOUL, and SCORE. Given audio, a natural-language question, and an explicit answer specification, it directly produces a task-conditioned probability distribution or a numerical score through typed decision readouts. Evaluation across 18 labeled configurations covers all three primitives: for CHOICE, Qwen-Audio-Jev achieves accuracies of 78.70% on MMAU-mini and 84.06% on MMSU; for NOUL, it achieves an equal error rate of 6.50% on the VoxCeleb1-O speaker verification benchmark; and for SCORE, the model achieves a normalized mean absolute error of 0.1062 on NISQA overall quality assessment, with Pearson and Spearman correlations of 0.8210 and 0.8074, respectively. Compared with the original Qwen-Audio-3.1-ASR-Flash-Next, Qwen-Audio-Jev achieves an approximately 20x inference speedup. It demonstrates its potential for efficient, high-throughput audio decision-making in applications such as large-scale audio screening, speaker verification, and automated quality assessment.
• Abstract（参考訳）: 大規模な音声言語モデル (LALM) は、音声理解に大きな進歩をもたらした。 しかし、高スループットアプリケーションでは、頻繁な選択、判断、採点を必要とするため、自動回帰テキスト生成は計算オーバーヘッドと応答遅延を増大させる。 この制限に対処するために、専用のJev 決定ヘッドで Qwen-Audio-3.1-ASR-Flash-Next を増設することで Qwen-Audio-Jev を導入する。 このモデルはCHOICE、NOUL、SCOREの3つの決定プリミティブを通じて選択、二項判定、得点を統一する。 音声、自然言語質問、明示的な回答仕様が与えられた場合、型付き決定読み出しを通じてタスク条件付き確率分布や数値スコアを直接生成する。 CHOICE では Qwen-Audio-Jev が MMAU-mini で78.70%、MMSU で84.06%、NOUL では VoxCeleb1-O 話者検証ベンチマークで6.50%、SCORE では NISQA では0.1062 で、Pearson と Spearman の相関は 0.8210 と 0.8074 である。 Qwen-Audio-3.1-ASR-Flash-Nextと比較すると、Qwen-Audio-Jevはおよそ20倍の推論高速化を実現している。 これは、大規模オーディオスクリーニング、話者検証、自動品質評価などのアプリケーションにおいて、効率的で高スループットなオーディオ意思決定の可能性を示している。

関連論文リスト

• Auditing Generative Audio Calls for Known-Task Audio-LLM Evaluation [8.345705067210861]
  既知のクローズドセットタスクでは、音響的エビデンスへのアクセスと、生成的オーディオモデルを呼び出す必要性が重要である。 我々はこの区別を制御された呼判断問題として評価する。 既知のタスクエンドポイントのクレームに対して、関連する量は、転写とエンコーダの証拠が既に使われている後の生成呼び出しの限界値である。
  論文  参考訳（メタデータ） (2026-08-28T01:33:47Z)
• All That Glitters Is Not Audio: Rethinking Text Priors and Audio Reliance in Audio-Language Evaluation [45.45465533352999]
  大規模オーディオ言語モデルは、音声と音声のベンチマークで一貫したパフォーマンス向上を示すが、高いスコアは真の聴覚知覚を反映していないかもしれない。 本稿では,テキストと一般知識のみから応答可能性を測定するテキスト先行法と,音響信号への実際の依存度を評価するオーディオ依存法という,2つの軸を用いた診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-27T12:25:18Z)
• AudioCapBench: Quick Evaluation on Audio Captioning across Sound, Music, and Speech [56.08149157180447]
  本稿では,大規模マルチモーダルモデルの音声キャプション機能を評価するベンチマークであるAudioCapBenchを紹介する。 我々は、参照ベースのメトリクス(METEOR、BLEU、ROUGE-L)とLLM-as-Judgeフレームワークを使用して、2つのプロバイダ(OpenAI、Google Gemini)にわたる13のモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-27T03:33:37Z)
• SAM Audio Judge: A Unified Multimodal Framework for Perceptual Evaluation of Audio Separation [52.468945848774844]
  本稿では,人間の介入なしに音声の分離を評価できる自動システムの必要性に対処する。 提案した評価指標であるSAM Audio Judge (SAJ) は, マルチモーダルな細粒度参照自由度尺度である。 SAJは3つのオーディオドメイン(音声、音楽、一般的な音声イベント)と3つのインプット(テキスト、視覚、スパン)をサポートし、4つの異なる評価次元をカバーする。
  論文  参考訳（メタデータ） (2026-01-27T15:29:02Z)
• UltraEval-Audio: A Unified Framework for Comprehensive Evaluation of Audio Foundation Models [36.71750531005594]
  UltraEval-Audioは、オーディオ基礎モデルの統一評価フレームワークである。 10の言語と14のコアタスクカテゴリをサポートし、24の主流モデルと36の信頼できるベンチマークをシームレスに統合する。 オーディオコーデックに新しい包括的評価手法を採用し、3つの重要な領域で性能を評価する。
  論文  参考訳（メタデータ） (2026-01-04T04:54:12Z)
• Adaptive vector steering: A training-free, layer-wise intervention for hallucination mitigation in large audio and multimodal models [45.88028371034407]
  本稿では,適応ベクトルステアリングによる音声コンテンツのより良い生成を提案する。 実験では、2つのモデルと2つのベンチマークで一貫したパフォーマンス向上を示している。 我々の知る限りでは、オーディオにおける幻覚を軽減するためにベクトルステアリングを適用した最初の研究である。
  論文  参考訳（メタデータ） (2025-10-14T08:52:18Z)
• Step-Audio-AQAA: a Fully End-to-End Expressive Large Audio Language Model [85.72664004969182]
  本稿では,AQAA(Audio-Audio Answer)タスク用に設計された完全エンドツーエンドのLALMであるStep-Audio-AQAAを紹介する。 このモデルは、言語的特徴抽出と意味的特徴抽出のためのデュアルコードブックオーディオトークンーザを統合している。 我々のポストトレーニングアプローチでは、意味的コヒーレンスを高めるために、テキストとオーディオのインターリーブドトークンアウトプットを用いる。
  論文  参考訳（メタデータ） (2025-06-10T16:37:39Z)
• AIR-Bench: Benchmarking Large Audio-Language Models via Generative Comprehension [95.8442896569132]
  AIR-Benchは,Large Audio-Language Models (LALM) の様々な種類の音声信号を理解し,テキスト形式で人間と対話する能力を評価する最初のベンチマークである。 その結果, GPT-4による評価と人間による評価との間には高い一貫性が認められた。
  論文  参考訳（メタデータ） (2024-02-12T15:41:22Z)
• Make-An-Audio: Text-To-Audio Generation with Prompt-Enhanced Diffusion Models [65.18102159618631]
  マルチモーダル生成モデリングは、テキスト・ツー・イメージとテキスト・ツー・ビデオ生成においてマイルストーンを生み出した。 高品質のテキストオーディオペアを備えた大規模データセットの欠如、長期連続的なオーディオデータのモデリングの複雑さ、という2つの主な理由から、オーディオへの適用は依然として遅れている。 本稿では,これらのギャップに対処する急激な拡散モデルを用いたMake-An-Audioを提案する。
  論文  参考訳（メタデータ） (2023-01-30T04:44:34Z)

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。