論文の概要: ASR Personalization in Pathological Voice: Accuracy, Efficiency, and Duration Effects

• arxiv url: http://arxiv.org/abs/2610.24572v1
• Date: Sat, 17 Oct 2026 09:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 17:40:35.81824
• Title: ASR Personalization in Pathological Voice: Accuracy, Efficiency, and Duration Effects
• Title（参考訳）: 病理音声におけるASRパーソナライズ : 精度, 効率, 持続時間の影響
• Abstract要約: 臨床およびアクセシビリティーのシナリオでは、ターゲット話者データに制限があるのが一般的であり、完全なモデルの再訓練は非現実的である。 本稿では,Whisper における LoRA 適応のコンポーネントレベル解析を行い,単一話者設定における話者配置とモデルサイズ,訓練効率,発話数との相互作用について検討する。
• 参考スコア（独自算出の注目度）: 0.7049738935364297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Speech recognition (ASR) struggles with Pathological speech due to persistent speaker-specific mismatch. In clinical and accessibility scenarios, only limited target-speaker data is typically available, making full model retraining impractical. We present a component-level analysis of LoRA adaptation in Whisper, investigating how adapter placement interacts with the model size, training efficiency and utterance-duration in single-speaker settings. Our experimental comparative study shows that while scaling reduces errors, it does not eliminate mismatch. Furthermore, the full attention LoRa provides the most reliable accuracy, and the best time--accuracy trade-off. Improvements vary across utterance length, with medium-length recordings benefiting the most, while short and long utterances remain challenging. These findings highlight the importance of adaptation placement and duration-dependent evaluation, under challenging, data-scarce personalization scenarios.
• Abstract（参考訳）: ASR(Automatic Speech Recognition)は、持続的な話者固有のミスマッチにより、病的音声に苦しむ。 臨床およびアクセシビリティーのシナリオでは、ターゲット話者データに制限があるのが一般的であり、完全なモデルの再訓練は非現実的である。 本稿では,Whisper における LoRA 適応のコンポーネントレベル解析を行い,単一話者設定における話者配置とモデルサイズ,訓練効率,発話数との相互作用について検討する。 実験による比較では、スケーリングはエラーを減らすが、ミスマッチを排除しない。 さらに、LoRaの完全な注意は、最も信頼性の高い精度と、最高の時間的精度のトレードオフを提供する。 改善は発話の長さによって異なり、中の長さの録音は最も有益であるが、短い発話と長い発話は依然として困難である。 これらの知見は,データ共有型パーソナライゼーションシナリオ下での適応配置と持続時間依存評価の重要性を浮き彫りにした。

関連論文リスト

• SWEAR: Section-Wise Efficient Audio Reasoning via Self-Rated Difficulty [48.67493850129358]
  本稿では,教師付き微調整中の難易度を学習する難易度を考慮した推論フレームワークSWEARを提案する。 MMAU-test-mini と MMAR の実験により、SWEAR は生成トークンを大幅に削減しながら精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-10-09T06:36:43Z)
• When Audio-Language Models Fail to Leverage Multimodal Context for Dysarthric Speech Recognition [10.779774155043166]
  我々は, 診断ラベル, 臨床医由来の音声評価, および徐々にリッチな臨床記述が, 変形性関節症音声の転写精度を向上させるかどうかを検証した。 診断インフォームドおよび臨床的に詳細なプロンプトは、無視できる改善をもたらし、しばしば単語誤り率を低下させる。 サブグループ分析により,ダウン症候群と軽度重度話者に有意な改善が認められた。
  論文  参考訳（メタデータ） (2026-05-04T16:24:06Z)
• Variational Low-Rank Adaptation for Personalized Impaired Speech Recognition [8.838919369202525]
  先天性障害による音声障害は,音声認識システムにおいて大きな課題となる。 Whisperのような最先端のASRモデルは、トレーニングデータの可用性の制限と高い音響可変性のために、まだ非ノルマ的音声に苦慮している。 本研究では,データ効率のよい微調整のためのベイジアン低ランク適応に基づく新しいASRパーソナライズ手法を提案する。
  論文  参考訳（メタデータ） (2025-09-23T13:44:58Z)
• Data-Efficient ASR Personalization for Non-Normative Speech Using an Uncertainty-Based Phoneme Difficulty Score for Guided Sampling [2.0128859854921743]
  本研究では,音素レベルの不確実性を定量化し,微調整を誘導するデータ効率のパーソナライズ手法を提案する。 モデルが最も困難な音素を推定するためにモンテカルロ・ドロップアウトを利用する。 以上の結果から,この臨床的に検証された不確実性誘導サンプリングは,ASRの精度を著しく向上させ,パーソナライズおよび包括的ASRのための実践的枠組みを提供することが示唆された。
  論文  参考訳（メタデータ） (2025-09-23T12:54:30Z)
• Cross-Learning Fine-Tuning Strategy for Dysarthric Speech Recognition Via CDSD database [7.78293690567929]
  外科的音声認識は, 正常な発話に対する重度変化と相違から, 課題に直面している。 従来のアプローチでは、患者1人当たりの正常な音声で事前訓練された、個々の微調整のASRモデルを使用して、特徴的衝突を防ぐ。 実験により,複数話者の微調整が個々の音声パターンの認識を改善することが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-26T07:00:12Z)
• Lost in Transcription: Identifying and Quantifying the Accuracy Biases of Automatic Speech Recognition Systems Against Disfluent Speech [0.0]
  音声認識システムは、典型的な流布から逸脱した音声パターンを正確に解釈することができず、重要なユーザビリティの問題や誤解釈につながる。 本研究は6つの主要なASRを解析し,発話サンプルの実際のデータセットと,広範に使用されているLibriSpeechベンチマークから得られた合成データセットを解析した。 結果より,すべてのASRにおいて,非流動性音声に対する一貫した,統計的に有意な精度バイアスがみられ,転写における意味的不正確性や意味的不正確性がみられた。
  論文  参考訳（メタデータ） (2024-05-10T00:16:58Z)
• Hyper-parameter Adaptation of Conformer ASR Systems for Elderly and Dysarthric Speech Recognition [64.9816313630768]
  ファインチューニングは、多くの非高齢および健康な音声事前訓練モデルを利用するためにしばしば用いられる。 本稿では,Librispeech corpus 上で事前学習した Conformer ASR システムのハイパーパラメータ適応について検討する。
  論文  参考訳（メタデータ） (2023-06-27T07:49:35Z)
• On-the-Fly Feature Based Rapid Speaker Adaptation for Dysarthric and Elderly Speech Recognition [53.17176024917725]
  話者レベルのデータの共有化は、データ集約型モデルに基づく話者適応手法の実用的利用を制限する。 本稿では,2種類のデータ効率,特徴量に基づくオンザフライ話者適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T09:12:24Z)
• Spectro-Temporal Deep Features for Disordered Speech Assessment and Recognition [65.25325641528701]
  音声スペクトルのSVD分解による深い特徴を埋め込んだ新しいスペクトル時空間ベースを提案する。 UASpeechコーパスで行った実験では、提案された分光時間深部特徴適応システムは、データ拡張の有無にかかわらず、ワードエラー率(WER)を最大263%(相対8.6%)削減することで、ベースラインi-適応を一貫して上回ったことが示唆された。
  論文  参考訳（メタデータ） (2022-01-14T16:56:43Z)
• Open-set Short Utterance Forensic Speaker Verification using Teacher-Student Network with Explicit Inductive Bias [59.788358876316295]
  そこで本研究では,小規模の法定フィールドデータセット上での話者検証を改善するためのパイプラインソリューションを提案する。 大規模領域外データセットを活用することで,教師学習のための知識蒸留に基づく目的関数を提案する。 提案する目的関数は,短時間の発話における教師学生の学習性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2020-09-21T00:58:40Z)
• Cross-domain Adaptation with Discrepancy Minimization for Text-independent Forensic Speaker Verification [61.54074498090374]
  本研究では,複数の音響環境下で収集したCRSS-Forensicsオーディオデータセットを紹介する。 我々は、VoxCelebデータを用いてCNNベースのネットワークを事前訓練し、次に、CRSS-Forensicsのクリーンな音声で高レベルのネットワーク層の一部を微調整するアプローチを示す。
  論文  参考訳（メタデータ） (2020-09-05T02:54:33Z)

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。