論文の概要: Multilingual Voicemail and Answering Machine Detection via Pretrained Audio Embeddings and Gradient Boosting Machines

• arxiv url: http://arxiv.org/abs/2610.26100v1
• Date: Mon, 19 Oct 2026 09:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:21:55.309684
• Title: Multilingual Voicemail and Answering Machine Detection via Pretrained Audio Embeddings and Gradient Boosting Machines
• Title（参考訳）: 事前学習型音声埋め込みとグラディエントブースティングマシンによる多言語音声メール・解答機の検出
• Abstract要約: 応答機械検出(Answering Machine Detection,AMD)は、電話における基本課題であり、応答された呼が人間によって拾われたか、音声メール(機械)によって拾われたかを分類する。 本研究では,事前学習した音声埋め込みと勾配押し上げ機を組み合わせた軽量AMDシステムを提案する。 我々は,ロボコールを検出するドメイン外タスクにおいて,追加のトレーニングを伴わずに94.34%のリコールを達成できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Answering machine detection (AMD) is a fundamental task in telephony that classifies whether an answered call is picked up by a human or a voicemail (machine). Despite its widespread use across cloud communication platforms, existing approaches rely on proprietary systems with undisclosed architectures, or require computationally expensive models that cannot operate in real time. We propose a lightweight AMD system that combines pretrained audio embeddings with gradient boosting machines, trained to prioritize the correct detection of human-answered calls. We evaluate seven models across two datasets: three models that we propose, a proprietary industry model, two prior academic approaches, and a large language model baseline that relies on automatic speech recognition. Furthermore, we release OpenAMD, the first publicly available AMD dataset comprising of more than 500 recordings in 7 languages. Our best model achieves the highest precision across both datasets while maintaining low inference latency. We assess the robustness of models to additive noise and packet loss, and perform tests of statistical significance to discover per-language and per-gender model performance. Finally, we evaluate our model on an out-of-domain task of detecting robocalls, where it achieves 94.34% recall without any additional training, which is comparable to the industry standard.
• Abstract（参考訳）: 応答機械検出(Answering Machine Detection,AMD)は、電話における基本的なタスクであり、応答された呼び出しが人間によって拾われるか、ボイスメール(機械)によって判断されるかを決定する。 クラウド通信プラットフォームで広く利用されているにもかかわらず、既存のアプローチは、公開されていないアーキテクチャを持つプロプライエタリなシステムに依存している。 本研究では,事前学習した音声埋め込みと勾配押し上げ機を組み合わせた軽量AMDシステムを提案する。 提案する3つのモデル,プロプライエタリな産業モデル,従来の2つのアプローチ,自動音声認識に依存する大規模言語モデルベースラインの7つのモデルを評価する。 さらに,7言語で500以上の録音を収録した最初の公開AMDデータセットであるOpenAMDもリリースした。 我々の最良のモデルは、推論レイテンシを低く保ちながら、両方のデータセットで最高の精度を達成する。 加法雑音とパケット損失に対するモデルの頑健性を評価し, 言語毎およびジェンダー毎のモデル性能の統計的意義を検証した。 最後に,ロビーコール検出のドメイン外タスクにおいて,新たなトレーニングを伴わずに94.34%のリコールを達成し,業界標準に匹敵する評価を行った。

関連論文リスト

• Nexus: An Omni-Perceptive And -Interactive Model for Language, Audio, And Vision [83.0622534215881]
  本研究は, 聴覚, 視覚, 言語的モダリティを統合した, 産業レベルのOmni-Modal Large Language Model (LLM) パイプラインを提案する。 まず、様々なエンコーダ-LLM-デコーダアーキテクチャの柔軟な構成を可能にするモジュラーフレームワークです。 第二に、最先端のビジョン言語モデルであるQwen2.5-VLのオーディオ言語アライメントを事前訓練する軽量なトレーニング戦略である。 第三に、様々な現実世界のシナリオから高品質な音声テキストデータを生成するオーディオ合成パイプライン。
  論文  参考訳（メタデータ） (2025-02-26T17:26:36Z)
• TouchASP: Elastic Automatic Speech Perception that Everyone Can Touch [15.001750645731162]
  大規模自動音声認識(ASR)モデルは、トレーニングプロセス中に大量のパラメータ、大量のデータ、重要な計算資源を必要とする。 本稿では,eMoEモデルの弾性混合モデルを提案する。このモデルを一度だけ訓練し,デプロイ要求に応じて弾性的に拡張することができる。 これら2つの手法を用いて,SpeechIOテストセットのキャラクタエラー率(CER)を4.98%から2.45%に低減し,弾力的展開を実現する。
  論文  参考訳（メタデータ） (2024-12-20T07:28:04Z)
• Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
  SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。 最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。 従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
  論文  参考訳（メタデータ） (2024-10-06T01:03:42Z)
• Tailored Design of Audio-Visual Speech Recognition Models using Branchformers [0.0]
  本稿では,パラメータ効率の高い音声認識システムの設計のための新しいフレームワークを提案する。 より正確に言うと、提案するフレームワークは、まず、音声のみのシステムとビデオのみのシステムを推定し、次に、カスタマイズされたオーディオ視覚統合エンコーダを設計する。 我々のモデルは、英語で約2.5%の競争力のある単語誤り率(WER)を達成し、スペイン語で既存のアプローチを上回ります。
  論文  参考訳（メタデータ） (2024-07-09T07:15:56Z)
• A Light Weight Model for Active Speaker Detection [7.253335671577093]
  入力候補を減らし、2次元と3次元の畳み込みを音声・視覚特徴抽出に分割し、計算量が少ないゲート再帰ユニット(GRU)をクロスモーダルモデリングに応用し、軽量な能動話者検出アーキテクチャを構築した。 AVA-ActiveSpeakerデータセットの実験結果は、我々のフレームワークが競合的なmAP性能(94.1%対94.2%)を達成することを示している。 私たちのフレームワークは、良好な堅牢性を示すColumbiaデータセットでもうまく機能します。
  論文  参考訳（メタデータ） (2023-03-08T08:40:56Z)
• Analyzing Robustness of End-to-End Neural Models for Automatic Speech Recognition [11.489161072526677]
  音声認識のための事前学習ニューラルネットワークのロバスト性について検討する。 本研究では,LibriSpeechおよびTIMITデータセット上で,事前学習したニューラルネットワークwav2vec2, HuBERT, DistilHuBERTのロバスト性解析を行う。
  論文  参考訳（メタデータ） (2022-08-17T20:00:54Z)
• Audio Interval Retrieval using Convolutional Neural Networks [0.0]
  本稿では,自然言語クエリに基づく音声イベント検索の可能性を検討することを目的とする。 特に、オーディオサンプルを自動的に分類するために、YamNet、AlexNet、ResNet-50の事前訓練モデルに焦点を当てます。 結果,ベンチマークモデルの性能は同等であり,YamNetは他の2モデルよりも若干優れていた。
  論文  参考訳（メタデータ） (2021-09-21T01:32:18Z)

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。