論文の概要: Expert L2 English Speech Evaluation on a Gaming PC: Accuracy, Fluency, and Prosody with XLS-R, XEUS, and PhoneticXeus

• arxiv url: http://arxiv.org/abs/2610.26406v1
• Date: Mon, 19 Oct 2026 13:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 17:55:57.697902
• Title: Expert L2 English Speech Evaluation on a Gaming PC: Accuracy, Fluency, and Prosody with XLS-R, XEUS, and PhoneticXeus
• Title（参考訳）: ゲームPCにおけるエキスパートL2音声評価:XLS-R, XEUS, PhoneticXeusを用いた精度, 頻度, 韻律
• Abstract要約: oollimは、L2英語の発音精度、流布度、韻律を評価するためのローカル実行システムである。 システムは、事前訓練されたXLS-R、XEUS、PhonticXeus表現と、SpeechOcean762でトレーニングされた参照テキスト機能とリッジレグレッションを組み合わせる。
• 参考スコア（独自算出の注目度）: 2.3689955632456092
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: oollim is a locally executable system for evaluating L2 English pronunciation accuracy, fluency, and prosody on a consumer computer. The system combines pretrained XLS-R, XEUS, and PhoneticXeus representations with reference-text features and ridge regressions trained on SpeechOcean762, the Korean Learners' L2 Speech Corpus (English), J-AESOP, and their combinations. On 305 independently held-out recordings assessed by three expert raters, several ridge configurations substantially outperform archived Azure API scores obtained in January 2026 in both Spearman correlation and quadratic weighted kappa across all three constructs. These results support expert speech evaluation on consumer hardware using pretrained representations and construct-specific regressions, without neural-model fine-tuning or calibration on the private evaluation data.
• Abstract（参考訳）: oollimは、L2英語の発音精度、流布度、韻律を評価するためのローカル実行システムである。 このシステムは、事前訓練されたXLS-R、XEUS、PhonticXeus表現と、SpeechOcean762、韓国学習者のL2音声コーパス(英語)、J-AESOP、およびそれらの組み合わせで訓練された参照テキスト特徴とリッジレグレッションを組み合わせる。 3つの専門家によって評価された305件の個別保持記録では、2026年1月に得られたAzure APIスコアを、スピアマン相関と2次重み付きカッパの両方で大幅に上回った。 これらの結果は、ニューラルネットワークの微調整や個人評価データの校正を行わずに、事前訓練された表現と構成固有の回帰を用いて、消費者ハードウェア上での専門的な音声評価を支援する。

関連論文リスト

• SEAR: Segment-Evidence-Aware Routing for Weak-to-Strong Multilingual Speech MCQ [0.0]
  本稿では,第2回MLC-SLMチャレンジのタスク2について述べる。 言語モデルは、タイムスタンプ付きASRをコヒーレントなイベントスパンに変換する。 テキストのみのプローブは、データを教師付き微調整や強化学習に用いられる強い音声依存アイテムに分割する。
  論文  参考訳（メタデータ） (2026-09-10T10:38:19Z)
• When Speech Meets Lips: Interpretable Audio-Visual Synchronization for L2 Pronunciation Assessment [12.51525565225002]
  本稿では,音声-リップの時間的アライメントを明示的にモデル化する,解釈可能な音声-視覚同期フレームワークを提案する。 10名のインストラクター,20名の学生を対象に質問紙調査を行い,その有効性について検討した。
  論文  参考訳（メタデータ） (2026-09-06T19:11:33Z)
• CASA: Content-Acoustic Speaking Assessment with Speech Encoder and Large Language Model [15.012645661271428]
  本稿では,Whisper-mediumとQwen3.5-2Bを組み合わせたシンプルなアーキテクチャであるCASAを提案する。 2025年のSpeak & Improveでは、CASAは0.358の根平均二乗誤差(RMSE)を達成し、以前の最高のRMSEを改善した。 本研究では、音響情報とコンテンツ情報の個人的および補完的貢献を分析し、性能変動を検証し、学習不要なコンテンツ検証のための大規模言語モデル推論の可能性を示す。
  論文  参考訳（メタデータ） (2026-08-13T11:25:23Z)
• PRiSM: Benchmarking Phone Realization in Speech Models [70.82595415252682]
  音声認識(PR)は言語に依存しない言語間音声処理と音声解析のためのアトミックインタフェースとして機能する。 PRiSMは、音声知覚における盲点を明らかにするために設計された、最初のオープンソースベンチマークである。
  論文  参考訳（メタデータ） (2026-01-20T15:00:36Z)
• SLRTP2025 Sign Language Production Challenge: Methodology, Results, and Future Work [87.9341538630949]
  第1回手話生産チャレンジはCVPR 2025で第3回SLRTPワークショップの一環として開催された。 コンペティションの目的は、音声言語文からスケルトンポーズのシーケンスに変換するアーキテクチャを評価することである。 本稿では,挑戦設計と入賞方法について述べる。
  論文  参考訳（メタデータ） (2025-08-09T11:57:33Z)
• Miipher-2: A Universal Speech Restoration Model for Million-Hour Scale Data Restoration [34.19120411446055]
  学習データクリーニングは生成モデルに基づく音声復元(SR)の新しい応用である 本稿では,100万時間規模のデータを対象としたSRモデルであるMiipher-2を紹介し,大規模言語モデルのような大規模生成モデルのデータクリーニングを訓練する。 Miipher-2は、300以上の言語をサポートする凍結訓練されたUniversal Speech Model (USM) を、堅牢で条件のない特徴抽出器として使用している。
  論文  参考訳（メタデータ） (2025-05-07T14:27:46Z)
• Automatic Proficiency Assessment in L2 English Learners [51.652753736780205]
  英語の第二言語習熟度(L2)は通常、英語の教師や専門家の評価者によって知覚的に評価される。 本稿では, 音声信号と対応文字の双方に対処し, 総合的なL2習熟度評価のための深層学習手法について検討する。
  論文  参考訳（メタデータ） (2025-05-05T12:36:03Z)
• Homogeneous Speaker Features for On-the-Fly Dysarthric and Elderly Speaker Adaptation [71.31331402404662]
  本稿では, 変形性関節症と高齢者の話者レベルの特徴を学習するための2つの新しいデータ効率手法を提案する。 話者規則化スペクトルベース埋め込み-SBE特徴は、特別な正規化項を利用して適応における話者特徴の均一性を強制する。 テスト時間適応において、話者レベルのデータ量に敏感であることが示されるVR-LH機能に規定されている特徴ベースの学習隠れユニットコントリビューション(f-LHUC)。
  論文  参考訳（メタデータ） (2024-07-08T18:20:24Z)
• Exploiting Cross-domain And Cross-Lingual Ultrasound Tongue Imaging Features For Elderly And Dysarthric Speech Recognition [55.25565305101314]
  調音機能は音響信号歪みに不変であり、音声認識システムにうまく組み込まれている。 本稿では,A2Aモデルにおける24時間TaLコーパスの並列音声・超音波舌画像(UTI)データを利用したクロスドメインおよびクロスランガルA2Aインバージョン手法を提案する。 生成した調音機能を組み込んだ3つのタスクの実験は、ベースラインのTDNNとコンフォーマーASRシステムより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-06-15T07:20:28Z)
• Intent Classification Using Pre-Trained Embeddings For Low Resource Languages [67.40810139354028]
  言語固有の音声認識に依存しない音声理解システムを構築することは、言語処理において重要でない問題である。 本稿では,事前学習した音響モデルを用いて,低資源シナリオにおける音声言語理解を実現するための比較研究を提案する。 私たちは、ハイ、ミディアム、低リソースシナリオをシミュレートするために、それぞれ異なるデータサイズを持つ英語、Sinhala、Tamilの3つの異なる言語で実験を行います。
  論文  参考訳（メタデータ） (2021-10-18T13:06:59Z)

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。