論文の概要: Label Authority in Speech Emotion Recognition: Intended and Perceived Ground Truth in Emozionalmente

• arxiv url: http://arxiv.org/abs/2610.26446v1
• Date: Mon, 19 Oct 2026 14:06:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 17:38:29.503854
• Title: Label Authority in Speech Emotion Recognition: Intended and Perceived Ground Truth in Emozionalmente
• Title（参考訳）: 音声感情認識におけるラベルオーソリティ : エモザイメントにおける意図的・知覚的真実
• Abstract要約: 音声感情認識(SER)における地上の真実は、単一のカテゴリーの事実として示されることが多いが、聴取者が聴く感情は、同じ録音の異なる側面を記述している。 Emozionalmente(英語版)において、この区別について検討する。Emozionalmente(英語版)は、すべてのクリップに対して、ライセンスされた生産ラベルと5つのリスナー判断の両方を提供する、実行中のイタリアのコーパスである。
• 参考スコア（独自算出の注目度）: 0.664975374754221
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Ground truth in Speech Emotion Recognition (SER) is often presented as a single categorical fact, yet an acted emotion and the emotion heard by listeners describe different aspects of the same recording. We examine this distinction in Emozionalmente, an acted Italian corpus that provides both an elicited production label and five listener judgements for every clip. Using frozen XLS-R, HuBERT, and WavLM representations with matched probes, we compare three label authorities: the expressed condition, the listeners' hard plurality, and their complete vote distribution. The results tell a consistent story. Recovering the expressed condition is easier than predicting a tie-broken listener plurality, but that gap compares two different questions rather than revealing a general loss of SER ability. As listener agreement weakens, the plurality becomes an increasingly brittle hard target. Training on the full vote distribution does not substantially change which class wins the model's hard decision, but it produces probability assignments that more closely follow the alternatives selected by listeners, especially for ambiguous clips. No authority therefore replaces the others. Expressed labels describe how speech was produced, pluralities provide an operational single-class decision, and vote distributions preserve perceptual uncertainty. For human-facing Internet of Sounds applications, evaluations should state which authority is being predicted, retain its aggregation rule and agreement information, and use distributional scores when disagreement is part of the target.
• Abstract（参考訳）: 音声感情認識(SER)における地上の真実は、単一のカテゴリーの事実として示されることが多いが、聴取者が聴く感情は、同じ録音の異なる側面を記述している。 Emozionalmente(英語版)において、この区別について検討する。Emozionalmente(英語版)は、すべてのクリップに対して、ライセンスされた生産ラベルと5つのリスナー判断の両方を提供する、実行中のイタリアのコーパスである。 凍結したXLS-R, HuBERT, WavLM表現と一致したプローブを用いて, 表示条件, 聴取者の硬度度, 総投票分布の3つのラベル当局を比較した。 結果は一貫した物語である。 表現条件の回復は、複数回のタイブレークリスナーを予測するよりも容易であるが、このギャップは、SER能力の全般的な喪失を明らかにするのではなく、2つの異なる質問を比較する。 リスナ合意が弱まると、複数はますます脆弱なハードターゲットとなる。 完全な投票分布のトレーニングは、どのクラスがモデルの難しい決定に勝つかを大きく変えるものではないが、特にあいまいなクリップに対して、リスナーによって選択された選択肢をより密接に従う確率割り当てを生成する。 そのため、他の機関に取って代わる権限はない。 表現されたラベルは、どのように音声が作られたか、複数のものが操作可能な単一クラス決定を提供し、投票分布は知覚の不確実性を保っている。 インターネット・オブ・サウンドズ・アプリケーションの場合、評価はどの権威が予測されているかを記述し、アグリゲーションルールと合意情報を保持し、不一致がターゲットの一部である場合、分布スコアを使用する必要がある。

関連論文リスト

• How to Recognize New Words: A Comparison Between Context Biasing Methods and Speech LLMs [61.601626186678146]
  音声大言語モデル(LLM)に対するWhisperに基づく2つの文脈バイアス法の評価を行った。 文脈バイアス法は、WERのバイアスを最大88%削減し、他の単語はほとんど影響を受けなかった。 音声LLMは読み上げ音声に優れるが、非読み出し音声にはあまり適さないため、散発的数に敏感であり、語順を誘導する。
  論文  参考訳（メタデータ） (2026-08-06T08:45:33Z)
• Learning from Annotation Uncertainty: Entropy-Aware Curriculum for Speech Emotion Recognition [28.280450577162622]
  音声感情認識(SER)は、しばしばアノテータの不一致を崩壊させるハードコンセンサスラベルに依存する。 MSP-Podcast 2.0における9クラスSERの分布に基づく監視について,WavLM-Baseマルチタスクモデルを用いて検討した。
  論文  参考訳（メタデータ） (2026-06-25T20:35:17Z)
• Quality and Agreement in Multilabel Emotion Annotation: A Case Study and Evaluation Framework [0.042970700836450486]
  マルチラベル感情アノテーションのケーススタディを提案する。 本稿では,アノテータの行動とアグリゲーションの選択が,合意推定と下流感情分類にどのように影響するかを検討する。 本研究は,マルチラベル感情データセットの設計,集約,評価のための実践的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-06-19T03:36:05Z)
• The False Resonance: A Critical Examination of Emotion Embedding Similarity for Speech Generation Evaluation [66.28943752785906]
  感情的表現力の客観的指標は、特に表現的合成と音声変換において、音声生成に不可欠である。 言語や話者の変動にもかかわらず感情的な手がかりを捉えていると仮定して、感情2vecのようなエンコーダからの埋め込みのコサイン類似性を計算する。 分類精度が高いにもかかわらず、これらの潜伏空間はゼロショット類似性評価には適さない。
  論文  参考訳（メタデータ） (2026-04-29T06:59:48Z)
• VoxEmo: Benchmarking Speech Emotion Recognition with Speech LLMs [54.75016325571445]
  音声大言語モデル (LLM) は, 音声の感情認識において, 生成インタフェースを介する大きな可能性を示す。 クローズドセットからオープンテキスト生成へのシフトは、ゼロショット性を導入し、プロンプトに非常に敏感な評価を与える。 本稿では,VoxEmoについて紹介する。VoxEmoは音声LLMのための15言語に35の感情コーパスを含む総合的なSERベンチマークである。
  論文  参考訳（メタデータ） (2026-03-09T21:10:34Z)
• ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
  ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。 ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。 ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-02-13T08:33:37Z)
• Modeling speech emotion with label variance and analyzing performance across speakers and unseen acoustic conditions [4.507408840040573]
  本研究では,感情グレードの確率密度関数を目標として,ベンチマーク評価セットの性能向上を実証する。 本研究では,現在最先端の音声感情モデルを訓練する上で,FM(Salliency driven foundation model)の表現選択が有効であることを示す。 複数のテストセットにまたがる性能評価と、性別や話者による性能分析は、感情モデルの有用性を評価するのに有用であることを示す。
  論文  参考訳（メタデータ） (2025-03-24T06:13:27Z)
• RankCSE: Unsupervised Sentence Representations Learning via Learning to Rank [54.854714257687334]
  本稿では,教師なし文表現学習のための新しい手法であるRangCSEを提案する。 コントラスト学習を伴うランキング一貫性とランキング蒸留を統一された枠組みに組み込む。 セマンティックテキスト類似性(STS)と転送タスク(TR)の両方について、広範な実験が実施されている。
  論文  参考訳（メタデータ） (2023-05-26T08:27:07Z)
• Evaluating context-invariance in unsupervised speech representations [15.67794428589585]
  現在のベンチマークでは文脈不変性は測定されていない。 我々は文脈不変性を測定するZeroSpeech ABXベンチマークの新バージョンを開発する。 表現の文脈依存性は単語レベルの表現の安定性の予測であることを示す。
  論文  参考訳（メタデータ） (2022-10-27T21:15:49Z)
• Textless Speech Emotion Conversion using Decomposed and Discrete Representations [49.55101900501656]
  我々は、音声を、コンテンツ単位、F0、話者、感情からなる離散的、非絡み合いの学習表現に分解する。 まず、内容単位を対象の感情に翻訳し、その単位に基づいて韻律的特徴を予測することによって、音声内容を変更する。 最後に、予測された表現をニューラルボコーダに入力して音声波形を生成する。
  論文  参考訳（メタデータ） (2021-11-14T18:16:42Z)
• Multi-Classifier Interactive Learning for Ambiguous Speech Emotion Recognition [9.856709988128515]
  曖昧な発話感情に対処するために,MCIL (Multi-classifier Interactive Learning) 法を提案する。 MCILは、曖昧な感情の無矛盾な認識を持つ複数の個人を模倣し、新しい曖昧なラベルを構築する。 実験では、MCILは各分類器のパフォーマンスを向上させるだけでなく、認識の一貫性を中程度から実質的に向上させる。
  論文  参考訳（メタデータ） (2020-12-10T02:58:34Z)

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。