論文の概要: Noise-Robust Forced Alignment for Spontaneous Speech

• arxiv url: http://arxiv.org/abs/2610.22583v1
• Date: Thu, 15 Oct 2026 19:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.640437
• Title: Noise-Robust Forced Alignment for Spontaneous Speech
• Title（参考訳）: 自発音声に対するノイズ・ロバスト強制アライメント
• Abstract要約: 自然発生的で騒々しい実世界の音声で強制的に劣化することを示す。 単語境界が崩壊し、多くのダウンストリームアプリケーションに影響を与えていることを示す。
• 参考スコア（独自算出の注目度）: 8.164433158925595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that forced aligners degrade on spontaneous, noisy real-world speech, and that fillers, laughter, and disfluencies corrupt word boundaries, impacting many downstream applications. We revisit the classical GMM-HMM aligner with upsampled WavLM features instead of MFCCs, explicit phone units for fillers and non-lexical vocal events trained on verbatim-annotated spontaneous speech, and a discriminative projection fitted on clean and noise-corrupted feature pairs to improve robustness. The pipeline is self-bootstrapped from 149h of curated audio without manual or external boundary targets. On conversational (Buckeye) and disfluent (FluencyBank) speech it reaches word-boundary MAEs of 20.6 and 76.9ms, 19% and 17% lower than the strongest of ten baselines. Catastrophic misalignments (>200ms) are 2.7 times rarer than Montreal Forced Aligners (MFA) best model even after widening MFA's search beam, which we show removes a large pruning artifact from its conversational error; event units halve the error next to laughter, while being meaningfully more robust than existing aligners.
• Abstract（参考訳）: 我々は、強制整合器が自然発生的で騒々しい現実世界の演説で劣化し、充足器、笑い、不適切な単語境界が破損し、下流の多くのアプリケーションに影響を及ぼすことを示した。 我々は,従来のGMM-HMMコーディネータをMFCCの代わりにアップサンプリングしたWavLM機能で再検討した。 パイプラインは、手動または外部境界のターゲットなしで、149hのキュレートされたオーディオから自己ブートストラップされる。 会話 (Buckeye) と非流動 (FluencyBank) のスピーチでは、20.6 と 76.9ms の単語境界 MAE に到達し、10 のベースラインよりも 19% と 17% 低い。 破滅的なミスアライメント(>200ms)は、MFAの探索ビームを広げた後も、モントリオール強制アライナー(MFA)の最良のモデルよりも2.7倍珍しい。

関連論文リスト

• DiTAR+: Dual Optimization for Robust Autoregressive Diffusion Speech Synthesis [18.187203738724563]
  連続遅延自己回帰拡散変換器(AR-DiT)モデルは、ゼロショット音声生成において大きな可能性を示した。 長い発話や複雑な言語構造を合成する際には、復号安定性が制限されている。 これらの課題に対処する双対最適化フレームワークであるDiTAR+を提案する。
  論文  参考訳（メタデータ） (2026-09-12T12:32:02Z)
• From Specialization to Generalization: Instruction-tuned LLMs for Robust Harmful Content Mitigation [55.450840345528235]
  大規模言語モデル(LLM)は、幅広い一般的なNLPタスクにまたがる印象的なパフォーマンスを示す。 しかし、ヘイトスピーチ検出などのセンシティブな領域におけるそれらの有効性は、まだ明らかではない。 そこで本研究では,この問題を指導チューニングのレンズを通して再検討する。
  論文  参考訳（メタデータ） (2026-08-26T10:24:31Z)
• myMediWhisper: Construction of Burmese Medical Speech Corpus and Whisper Fine-Tuning for Clinical Dialogue ASR [0.21670084965090577]
  本研究は,母語話者が記録・検証した高品質な28時間コーパスに基づくビルマの医療音声認識フレームワークを提案する。 We fine-tune Whisper model using full fine-tuning (FFT) and parameter-efficient fine-tuning (PEFT) with LoRA。 頑健性を評価するため,制御ノイズと模擬室内音響下での波形およびスペクトルレベルのデータ拡張を適用した。
  論文  参考訳（メタデータ） (2026-08-11T15:12:42Z)
• How to Recognize New Words: A Comparison Between Context Biasing Methods and Speech LLMs [61.601626186678146]
  音声大言語モデル(LLM)に対するWhisperに基づく2つの文脈バイアス法の評価を行った。 文脈バイアス法は、WERのバイアスを最大88%削減し、他の単語はほとんど影響を受けなかった。 音声LLMは読み上げ音声に優れるが、非読み出し音声にはあまり適さないため、散発的数に敏感であり、語順を誘導する。
  論文  参考訳（メタデータ） (2026-08-06T08:45:33Z)
• WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
  音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。 我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。 改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
  論文  参考訳（メタデータ） (2026-01-08T02:23:21Z)
• VocalBench-DF: A Benchmark for Evaluating Speech LLM Robustness to Disfluency [28.98083807303608]
  音声-LLMは、多くのアプリケーションにおいて強い性能を示すが、その頑健性は、特に音声の拡散に対して、非常に低テストである。 本研究では,現在音声障害を抱えているユーザとの対話において,現在の音声LLMが性能を維持することができるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-10-17T08:01:41Z)
• Towards Unsupervised Speech Recognition Without Pronunciation Models [57.222729245842054]
  本稿では,ペア音声とテキストコーパスを使わずにASRシステムを開発するという課題に取り組む。 音声合成とテキスト・テキスト・マスクによるトークン埋込から教師なし音声認識が実現可能であることを実験的に実証した。 この革新的なモデルは、レキシコンフリー環境下での以前の教師なしASRモデルの性能を上回る。
  論文  参考訳（メタデータ） (2024-06-12T16:30:58Z)
• Let There Be Sound: Reconstructing High Quality Speech from Silent Videos [34.306490673301184]
  この研究の目的は、唇の動きだけで高品質な音声を再構築することである。 音声合成システムにおける重要な課題は、一対多のマッピングである。 生成品質を大幅に向上させる新しい音声合成システムを提案する。
  論文  参考訳（メタデータ） (2023-08-29T12:30:53Z)
• SpeechGen: Unlocking the Generative Power of Speech Language Models with Prompts [108.04306136086807]
  本稿では,SpeechGenと呼ばれる統合フレームワークを用いて,各種タスクの音声LMを刺激するための即時チューニングの適用について検討する。 提案した統合フレームワークは効率と有効性に大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-03T22:35:27Z)
• End-to-end Whispered Speech Recognition with Frequency-weighted Approaches and Pseudo Whisper Pre-training [130.56878980058966]
  発声音声のエンド・ツー・エンド(E2E)認識に対するいくつかのアプローチを提案する。 我々は,比較的小型のTIMITコーパスを用いて,PER19.8%,CER44.4%の相対的な削減を実現した。 正規または擬似発声音声で事前訓練された優れたE2Eモデルがある限り、比較的小さな発声音声は、合理的に優れたE2E発声音声認識器を得るのに十分である。
  論文  参考訳（メタデータ） (2020-05-05T07:08:53Z)

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。