論文の概要: Ask, Don't Guess: Targeted Clarification for Speech Recognition Errors

• arxiv url: http://arxiv.org/abs/2610.24809v1
• Date: Sat, 17 Oct 2026 18:32:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:57:52.504828
• Title: Ask, Don't Guess: Targeted Clarification for Speech Recognition Errors
• Title（参考訳）: Ask, Don't Guess: 音声認識エラーに対する対象的明確化
• Abstract要約: 遠距離の会話設定における音声認識は、依然として重大なエラーを引き起こす。 sysnameは、オンラインエラーローカライゼーションのための新しいフレームワークである。 sysnameは、最強のベースラインと比較して、最大52%の不正トークンを識別することで、最も高いリコールを達成する。
• 参考スコア（独自算出の注目度）: 44.40677406948805
• License:
• Abstract: Speech recognition in real time in far-field conversational settings still incurs significant errors. Identifying potential error spans during streaming ASR permits a recourse mechanism where the speaker can be asked to repeat the affected content under cleaner acoustic conditions. We propose \sysname, a new framework for online error localization, that identifies spans likely to benefit from this intervention. Our supervision uses clean audio to estimate how the recognizer's output might change under improved acoustic conditions. We probabilistically align noisy and clean decodes using a pair-HMM to obtain soft supervision. These soft targets train a counterfactual gain scorer by combining a suite of acoustic and language features to produce token-level scores, that are further grouped into spans for targeted recourse. An LLM uses the ASR transcript of the repetition to revise only the selected span. At a precision of $70\%$, \sysname achieves the highest recall by identifying up to 52\% more erroneous tokens compared to the strongest baseline. Targeted repetition yields relative WER reductions of up to 24\% under a budget that accounts for both interruption frequency and the lengths of re-uttered spans.
• Abstract（参考訳）: 遠距離の会話設定における音声認識は、依然として重大なエラーを引き起こす。 ストリーミングASR中の潜在的なエラーの特定は、よりクリーンな音響条件下で、話者に影響のあるコンテンツを繰り返すよう依頼するリコース機構を許可する。 オンラインエラーローカライゼーションのための新しいフレームワークである‘sysname’を提案する。 我々の監督はクリーンオーディオを用いて、音響条件の改善の下で、認識者の出力がどのように変化するかを推定する。 我々は、ペアHMMを用いてノイズとクリーンな復号を確率的に調整し、ソフト・インスペクションを得る。 これらのソフトターゲットは、音響的特徴と言語的特徴を組み合わせてトークンレベルのスコアを生成することで、偽利得スコアをトレーニングする。 LLMは、繰り返しのASR転写文字を使用して、選択されたスパンのみを書き換える。 70 %$の精度で、最強のベースラインと比較して52 %以上の不正トークンを識別することで、最も高いリコールを達成する。 目標とする繰り返しは、割り込み頻度と再発声間隔の両方を考慮に入れた予算の下で、WERの相対的な削減率を最大24 %まで減少させる。

関連論文リスト

• Asymmetric Classifier-Free Guidance for Target-Speaker ASR [2.7023796303812193]
  Whisper を用いた TS-ASR のための非対称分類器フリーガイダンス (CFG) を導入する。 CFGは1つのガイダンス尺度を通じてデコード中の話者条件付けの寄与を調整する。 ドメインシフトでは,条件のみのベースライン上での単語誤り率(WER)を最大21.8%削減する。
  論文  参考訳（メタデータ） (2026-09-24T19:16:16Z)
• Not All Speech Is Intent: Adaptive Self-Correcting Inference Layer for Post-ASR False Wake-Up [2.497926557563177]
  会話型AIでは、偽の起動アクティベーションは依然として永続的な課題である。 フィードバック駆動型適応型自己修正型推論層(ASCIL)について紹介する。 ASCILは、音響埋め込み、言語的手がかり、デバイスコンテキスト、過去の誤分類からのパターンを融合させることで、応答生成前の覚醒意図を再評価する。
  論文  参考訳（メタデータ） (2026-09-11T06:06:06Z)
• AgenticASR: Refining Speech Recognition in Real-World Scenarios via an Agentic Approach [15.617770133323077]
  Agentic Speech Recognition (AgenticASR) は、音声からクリーンテキストのタスクである。 障害を取り除き、自己補正を解決し、書式を正規化する。 AgenticASRは評価システムの中でAASR-Benchスコアが最も高い。
  論文  参考訳（メタデータ） (2026-07-30T13:12:25Z)
• Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
  単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。 複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
  論文  参考訳（メタデータ） (2026-05-28T06:23:31Z)
• ReHear: Iterative Pseudo-Label Refinement for Semi-Supervised Speech Recognition via Audio Large Language Models [12.527207210862151]
  ReHearは、自動音声認識における反復的な擬似ラベル改善のためのフレームワークである。 命令調整されたオーディオ対応の大規模言語モデルを自己学習ループに統合する。 ReHearはエラーの伝播を効果的に軽減し、教師付きベースラインと疑似ラベルベースラインの両方を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-21T05:04:22Z)
• Error Correction by Paying Attention to Both Acoustic and Confidence References for Automatic Speech Recognition [52.624909026294105]
  本稿では,非自己回帰型音声誤り訂正法を提案する。 信頼モジュールは、N-best ASR仮説の各単語の不確実性を測定する。 提案方式は,ASRモデルと比較して誤差率を21%削減する。
  論文  参考訳（メタデータ） (2024-06-29T17:56:28Z)
• VALL-E R: Robust and Efficient Zero-Shot Text-to-Speech Synthesis via Monotonic Alignment [101.2489492032816]
  VALL-E Rは、堅牢で効率的なゼロショットテキスト音声合成システムである。 この研究は、失語症に罹患した人々のためのスピーチの作成を含む有意義なプロジェクトに適用される可能性がある。
  論文  参考訳（メタデータ） (2024-06-12T04:09:44Z)
• 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)
• Speaker Embedding-aware Neural Diarization for Flexible Number of Speakers with Textual Information [55.75018546938499]
  本稿では,話者埋め込み認識型ニューラルダイアリゼーション(SEND)手法を提案する。 本手法は,ターゲット話者の音声活動検出よりも低いダイアリゼーション誤差率を実現する。
  論文  参考訳（メタデータ） (2021-11-28T12:51:04Z)

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。