論文の概要: TeleASR-Amharic: A Benchmark for Robust Amharic ASR in Realistic Telecommunication Conditions
- arxiv url: http://arxiv.org/abs/2610.26448v1
- Date: Mon, 19 Oct 2026 14:06:28 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:38:53.696758
- Title: TeleASR-Amharic: A Benchmark for Robust Amharic ASR in Realistic Telecommunication Conditions
- Title（参考訳）: TeleASR-Amharic:リアルな遠隔通信環境におけるロバストアミリックASRのベンチマーク
- Abstract要約: 本稿では,様々な音響・通信条件下でのAmharic ASRの評価ベンチマークであるTeleASR-Amharicを紹介する。
実通信記録における主な劣化を解析し、複数のチャネル条件、環境障害、通信領域の変動を網羅するベンチマークを開発する。
その結果, 遠隔通信の劣化は認識性能を著しく低下させ, 高い性能のASRモデルであっても, 厳しい条件下では非現実的であることがわかった。
- 参考スコア（独自算出の注目度）: 0.7332897398807949
- License:
- Abstract: The real-world usability of ASR models remains challenging, particularly for low-resource languages, where existing speech resources are often collected in clean studio environments. In this work, we introduce TeleASR-Amharic, a benchmark for evaluating Amharic ASR under various acoustic and telecommunication conditions. We analyze the major degradations observed in real telecommunications recordings and develop a benchmark that covers multiple channel conditions, environmental disturbances, and telecom-domain variations. Our results show that telecommunication degradation can substantially reduce recognition performance, making even high-performing ASR models impractical under severe conditions. For example, the WER of the best-performing model increases from 0.23 to 0.79 under severe telecommunication degradation, corresponding to a relative increase of 243% in recognition errors. We further investigate the effects of different noise and channel distortions and show that scaling training data and applying carefully designed telecommunication-aware augmentation substantially improve robustness. In particular, our best training configuration achieves a 23.6% relative WER reduction under extreme noise conditions. Together with the release of our telecommunications-domain data, these findings provide a reproducible benchmark for measuring progress in Amharic ASR while highlighting open challenges in developing robust speech technologies for real-world deployment.
- Abstract（参考訳）: ASRモデルの実際のユーザビリティは、特にクリーンなスタジオ環境で既存の音声リソースが収集される低リソース言語では、依然として困難である。
本研究では,様々な音響・通信条件下でのASR評価ベンチマークであるTeleASR-Amharicを紹介する。
実通信記録における主な劣化を解析し、複数のチャネル条件、環境障害、通信領域の変動を網羅するベンチマークを開発する。
その結果, 遠隔通信の劣化は認識性能を著しく低下させ, 高い性能のASRモデルであっても, 厳しい条件下では非現実的であることがわかった。
例えば、最高の性能モデルのWERは、認識エラーの相対的な増加に対応して、重度の通信劣化の下で0.23から0.79に増加する。
さらに、異なるノイズやチャネル歪みの影響について検討し、トレーニングデータのスケーリングと、慎重に設計された通信対応強化の適用により、ロバスト性を大幅に向上することを示す。
特に, 極端雑音条件下でのWERの相対減少率は23.6%である。
通信ドメインデータのリリースとともに、これらの発見はAmharic ASRの進捗測定のための再現可能なベンチマークを提供するとともに、実世界展開のための堅牢な音声技術を開発する上でのオープンな課題を強調します。
関連論文リスト
- Mega-ASR: Towards In-the-wild^2 Speech Recognition via Scaling up Real-world Acoustic Simulation [78.39988331831077]
Mega-ASRは、スケーラブルな複合データ構築とプログレッシブ・アコースティック・ツー・セマンティック・最適化を組み合わせる。
我々は,Mega-ASRが従来の最先端システムに対して,悪条件ASRベンチマークにおいて大きな優位性を発揮することを示す。
論文 参考訳（メタデータ） (2026-05-19T13:26:51Z) - Universal Robust Speech Adaptation for Cross-Domain Speech Recognition and Enhancement [24.109107195976346]
URSA-GANは、ノイズおよびチャネル条件のミスマッチを軽減するために設計された、ドメイン対応の生成フレームワークである。
URSA-GANは、ASRの文字誤り率を効果的に低減し、様々なノイズや不一致のチャネルシナリオでSEの指標を改善する。
論文 参考訳（メタデータ） (2026-02-04T08:16:22Z) - Distributionally Robust Wireless Semantic Communication with Large AI Models [111.47794569742206]
現在のSemComシステムは、様々なノイズ条件、敵攻撃、アウト・オブ・ディストリビューション・データにまたがる一般化に失敗している。
Wassersteinは、意味的誤解釈やチャネル摂動に対するレジリエンスを提供するために、分布的に堅牢な最適化を採用している。
画像とテキストの伝送実験の結果、WaSeComは雑音や逆方向の摂動下で頑健性の向上を実現していることがわかった。
論文 参考訳（メタデータ） (2025-05-28T04:03:57Z) - Augmenting Training Data with Vector-Quantized Variational Autoencoder for Classifying RF Signals [9.99212997328053]
本稿では,Vector-Quantized Variational Autoencoder (VQ-VAE) を用いたトレーニングデータの拡張を提案する。
VQ-VAEモデルは高忠実な合成RF信号を生成し、トレーニングデータセットの多様性と忠実度を高める。
実験結果から,VQ-VAE生成データの導入により,ベースラインモデルの分類精度が大幅に向上することが示唆された。
論文 参考訳（メタデータ） (2024-10-23T21:17:45Z) - Enhanced ASR Robustness to Packet Loss with a Front-End Adaptation Network [23.034147003704483]
本研究は,ASRモデルの単語誤り率(WER)を改善するために,パケット損失から回復することに焦点を当てた。
凍結ASRモデルに接続したフロントエンド適応ネットワークを提案する。
実験により、Whisperの基準に基づいてトレーニングされた適応ネットワークは、特にドメインや言語間の単語エラー率を減少させることが示された。
論文 参考訳（メタデータ） (2024-06-27T06:40:01Z) - Deep learning approaches to indoor wireless channel estimation for low-power communication [0.0]
本稿では,LP-IoT通信における高精度チャネル推定にRSSIを利用する,FCNNを用いた2つの低電力チャネル推定モデルを提案する。
我々のモデルAは平均二乗誤差(MSE)の99.02%の顕著な減少を示し、モデルBは現在の研究で設定されたベンチマークと比較して90.03%のMSEの減少を示す。
論文 参考訳（メタデータ） (2024-05-21T00:36:34Z) - Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z) - Speech enhancement with frequency domain auto-regressive modeling [34.55703785405481]
遠距離実環境における音声アプリケーションは、残響によって破損した信号を扱うことが多い。
本稿では,音声品質と自動音声認識(ASR)性能を向上させるために,音声認識の統一的枠組みを提案する。
論文 参考訳（メタデータ） (2023-09-24T03:25:51Z) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner
Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。
CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。
RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文 参考訳（メタデータ） (2020-04-22T19:08:33Z) - Improving noise robust automatic speech recognition with single-channel
time-domain enhancement network [100.1041336974175]
単一チャネルの時間領域分割手法により,ASRの性能が大幅に向上することを示す。
単一チャネル雑音の低減はASR性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-03-09T09:36:31Z)
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。