論文の概要: Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model

• arxiv url: http://arxiv.org/abs/2610.24164v1
• Date: Fri, 16 Oct 2026 19:41:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:59:26.224174
• Title: Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model
• Title（参考訳）: ハードワードの発音:事前制約された会話文の音声モデルへの音素適応
• Abstract要約: プレ/ミドルトレーニングなしで、事前訓練された会話型TSモデルに音素制御性を再現する。 臨床薬の発音評価では, 厳密なジェミニ・ジャッジドの正しさを54.6%から90.7%に引き上げた。 訓練段階が薬名を見ないため、評価全体がドメイン外であるため、学習した発音を記憶するよりも、学習した発音を反映する。
• 参考スコア（独自算出の注目度）: 50.335253821316805
• License:
• Abstract: Voice agents built as cascaded automatic speech recognition (ASR)->large language model (LLM)-> text-to-speech (TTS) pipelines increasingly rely on conversational TTS: streaming, context conditioned models that adapt delivery to dialogue history. Such models are natural and expressive but offer little explicit control over how rare, trust-critical drug names are pronounced, because these entities are too infrequent, and their vocabulary too fast-growing, to be covered by any amount of pre-, mid-, or post-training. We retrofit phoneme controllability onto a pretrained conversational TTS model without any pre/mid-training, using an ARPAbet vocabulary exten-sion, continued phoneme-augmented supervised fine-tuning (SFT), and a training-free inference-time acoustic-biasing step. On a 7,500 clip clinical drug-pronunciation evaluation, our model raises strict Gemini-judged correctness from 54.6% (no phoneme augmentation) to 90.7%, outperforming every conversational and stateless TTS baseline on the automatic metric. Because no training stage sees a drug name, the entire evaluation is out-of-domain, so the gains reflect learned pronunciation rather than memorization. In a blinded, randomized human study, adult listeners judge 84% of our clips correct, versus 82% for the strongest baseline, with overlapping confidence intervals on a stratified subset. Across all 250 matched clips, Gemini agrees with the human majority on 84.8% of binary labels (k{appa}=0.57).
• Abstract（参考訳）: 自動音声認識(ASR)->大規模言語モデル(LLM)-> 音声合成(TTS)パイプラインとして構築された音声エージェントは、会話型TS(会話履歴への配信に適応するストリーミング、コンテキスト条件付きモデル)にますます依存している。 このようなモデルは自然で表現力があるが、これらの実体は頻度が低く、語彙が急速に成長しすぎて、どんな種類の事前、中級、または後級の訓練でもカバーできるため、いかに稀で信頼を欠く薬物の名前が発音されるか、明確な制御はほとんど提供されない。 プレ/ミドルトレーニングなしで事前訓練された会話型TSモデルに、ARPAbet vocabulary exten-sion、継続音素拡張型教師付き微調整(SFT)、トレーニング不要な推論時音響バイアスステップを用いて、音素制御性を再現する。 臨床薬の発音評価を7,500回行った結果,厳密なジェミニ・ジャッジドの正しさは54.6%(音素増強なし)から90.7%に向上し,自動測定値における会話性および無声性TSベースラインのすべてを上回った。 訓練段階が薬名を見ないため、評価全体がドメイン外であるため、学習した発音を記憶するよりも、学習した発音を反映する。 盲目でランダムな人間の研究では、成人のリスナーはクリップの84%が正しいと判断し、最強のベースラインでは82%が正しいと判断しました。 マッチした250のクリップ全体で、ジェミニは84.8%のバイナリラベル(k{appa}=0.57)でヒトの多数派と合意している。

関連論文リスト

• How to Reduce Whisper Hallucination [0.0]
  ひとつは寛容にライセンスされたチェックポイント、99の言語、言語ごとのチューニングなしです。 42クリップの純ルームトーンでは、whisper-large-v3は61.9%で単語を出力し、100%で何かを出力する。 最高のチェックポイントは、61.9%から2.4%までの沈黙と、99.9%から47.8%までの実際の無声音声に関する言葉を幻覚させる。
  論文  参考訳（メタデータ） (2026-09-26T12:35:29Z)
• A Semi-Automated System for Generating Dialogue-Based TTS Lessons Using Large Language Models: An Exploratory Study of Educational Potential [0.8599595236399581]
  本研究では,Large Language Models (LLM) と Text-to-Speech (TTS) 技術を用いて,対話型授業を半自動生成するシステムを提案する。 3段階のHuman-in-the-loopワークフロー(LLMベースのスライド/ナレーション生成、教育者レビュー、自動オーディオビジュアル統合)を通じて教育者を強化する。 認知的見習い理論に基づくエキスパートと初心者の対話ナレーションを生成する新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-07-14T00:35:41Z)
• Continuously Learning New Words in Automatic Speech Recognition [56.972851337263755]
  音声認識のための自己教師付き連続学習手法を提案する。 文献からのメモリ拡張型ASRモデルを用いて、スライドから新しい単語を復号する。 提案手法により,新たな単語の出現頻度が高くなると,新たな単語のパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-01-09T10:39:17Z)
• Controllable Emphasis with zero data for text-to-speech [57.12383531339368]
  強調音声を簡易かつ効果的に処理する方法は、強調単語の予測持続時間を増加させることである。 これは自然度を7.3%向上させるスペクトログラム修正手法よりもはるかに優れていることを示し、基準女性のen-US音声に対して、文章中の強調された単語の正しさを40%精度で識別する。
  論文  参考訳（メタデータ） (2023-07-13T21:06:23Z)
• Multilingual Zero Resource Speech Recognition Base on Self-Supervise Pre-Trained Acoustic Models [14.887781621924255]
  本稿では,事前学習モデルの使用を単語レベルのゼロリソース音声認識に拡張するための最初の試みである。 IPA音素の書き起こしで事前訓練されたモデルを微調整し、余分なテキストで訓練された言語モデルで復号する。 Wav2vec 2.0とHuBERTモデルの実験により、この手法は一部の言語で単語誤り率を20%以下に抑えることができることが示された。
  論文  参考訳（メタデータ） (2022-10-13T12:11:18Z)
• Dict-TTS: Learning to Pronounce with Prior Dictionary Knowledge for Text-to-Speech [88.22544315633687]
  ポリホンの曖昧さは, 音声合成システムにおいて, 自然なテキストシーケンスから正確な発音知識を抽出することを目的としている。 オンラインウェブサイト辞書を用いた意味認識型テキスト音声合成モデルであるDict-TTSを提案する。 3つの言語による実験結果から,我々のモデルは発音精度においていくつかの強いベースラインモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-05T10:50:34Z)
• Self-Supervised Speech Representations Preserve Speech Characteristics while Anonymizing Voices [15.136348385992047]
  我々は、自己教師付き音声表現を用いて、複数の音声変換モデルを訓練する。 変換音声は、元の音声の1%以内に低い単語誤り率を保持する。 調音・韻律・発声・音韻に関連する音声特徴を匿名音声から抽出できることを示す。
  論文  参考訳（メタデータ） (2022-04-04T17:48:01Z)
• UniSpeech: Unified Speech Representation Learning with Labeled and Unlabeled Data [54.733889961024445]
  ラベル付きデータとラベル付きデータの両方を用いて音声表現を学習するためのUniSpeechという統合事前学習手法を提案する。 公立CommonVoiceコーパス上での言語間表現学習におけるUniSpeechの有効性を評価する。
  論文  参考訳（メタデータ） (2021-01-19T12:53:43Z)
• Data augmentation using prosody and false starts to recognize non-native children's speech [12.911954427107977]
  本稿では,AaltoASRによるInterSPEECH 2020共有音声認識タスクのための音声認識システムについて述べる。 本研究の課題は, 年齢の異なる子どもから, 限られた発話量で非母国語を識別することである。
  論文  参考訳（メタデータ） (2020-08-29T05:32:32Z)

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。