論文の概要: Monsoon: Scalable Spontaneous Speech Collection for Low-Resource ASR in 50 Languages

• arxiv url: http://arxiv.org/abs/2610.26776v1
• Date: Mon, 19 Oct 2026 17:30:29 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:38:23.172827
• Title: Monsoon: Scalable Spontaneous Speech Collection for Low-Resource ASR in 50 Languages
• Title（参考訳）: Monsoon: 50言語での低リソースASRのためのスケーラブルな自発音声コレクション
• Abstract要約: Monsoonは、ペアのコントリビュータ間の未記述の会話を引き出す。 自動分類器で録音をスクリーニングし、人間のレビューの5段階にわたって書き起こしを訂正し、語彙と音響のカバーのためのセグメントを選択する。 50の言語でスピーチを収集し、7つの3500時間のコーパスを分析しました。
• 参考スコア（独自算出の注目度）: 0.5346104140929246
• License:
• Abstract: For most languages, automatic speech recognition (ASR) is limited less by model architecture than by a lack of accurately transcribed spontaneous speech. We present Monsoon, a framework for collecting such data at scale. It elicits unscripted conversations between paired contributors, screens recordings with automated classifiers, corrects transcripts over five levels of human review, and selects segments for lexical and acoustic coverage. It has collected speech in 50 languages; we analyse seven 3,500-hour corpora. At equal volume, its quality stages reduce semantic word error rate (WER) by 10-39% relative to a conventional protocol. Compared with an architecture-matched baseline trained on public corpora, Whisper fine-tuned on Monsoon performs comparably on the baseline's own test sets and reduces semantic WER by 20-44 points on conversational benchmarks. The gains transfer to a second architecture and grow with data volume. We release the framework, its quality-control models, and the fine-tuned models.
• Abstract（参考訳）: ほとんどの言語では、自動音声認識(ASR)は、正確に書き起こされた自然発話の欠如よりも、モデルアーキテクチャによって制限される。 私たちはこのようなデータを大規模に収集するフレームワークであるMonsoonを紹介します。 それは、ペアのコントリビュータ間の未記述の会話、自動分類器による画面記録、人間のレビューの5段階にわたる書き起こしの修正、語彙と音響のカバレッジのためのセグメントの選択などである。 50の言語でスピーチを収集し、7つの3500時間のコーパスを分析しました。 等価ボリュームでは、その品質段階は従来のプロトコルと比較して意味的単語誤り率(WER)を10～39%削減する。 公開コーパスでトレーニングされたアーキテクチャマッチングベースラインと比較すると、モンスーンで微調整されたWhisperは、ベースライン自身のテストセットで互換性を持って動作し、セマンティックWERを会話ベンチマークで20-44ポイント削減する。 ゲインは第2のアーキテクチャに移行し、データボリュームとともに成長する。 フレームワーク、品質制御モデル、微調整モデルをリリースします。

関連論文リスト

• Quantifying the Generation Modality Gap in Speech-Text Language Models [22.8588553114451]
  純粋な音声言語モデルは、コヒーレントなコンテンツを生成する際に、テキストや音声-テキスト言語モデルに遅れをとることが多い。 本研究では,連続音響特徴量生成のためのフローマッチングに基づいて,音声モデル群における音声文のモダリティギャップについて検討する。 我々は、一致したデータに基づいて訓練された音声のみ、テキストのみ、および音声テキスト言語モデルを比較する、統合された世代ベース評価スイートを構築した。
  論文  参考訳（メタデータ） (2026-09-13T19:09:07Z)
• PolySpeech-100: A Large-Scale Benchmark for Speech Understanding Across 100+ Languages and Dialects [29.32197370490759]
  PolySpeech-100は110の言語変種にわたるネイティブレベルの音声理解を評価するために設計された大規模ベンチマークである。 我々は、指示駆動合成音声によるゴールドスタンダードな人間の録音を増強する、新しいハイブリッド構築パイプラインを採用している。
  論文  参考訳（メタデータ） (2026-05-31T05:13:32Z)
• WESR: Scaling and Evaluating Word-level Event-Speech Recognition [59.21814194620928]
  音声は言語情報だけでなく、笑ったり泣いたりするような豊富な非言語的な音声イベントも伝達する。 我々は,21の発声イベントの分類を改良し,個別(スタンドアローン)と連続(音声と混合)に分類した。 改良された分類法に基づくWESR-Benchは,新しい位置認識プロトコルを備えた専門家アノテート評価セット(900以上の発話)である。
  論文  参考訳（メタデータ） (2026-01-08T02:23:21Z)
• DialectGen: Benchmarking and Improving Dialect Robustness in Multimodal Generation [111.94720088481614]
  多モーダル生成モデルは方言テキスト入力を効果的に生成できるのか? 6つの共通英語方言にまたがる大規模ベンチマークを構築した。 マルチモーダル生成モデルのための一般的なエンコーダに基づく緩和戦略を設計する。
  論文  参考訳（メタデータ） (2025-10-16T17:56:55Z)
• Textless Speech-to-Speech Translation With Limited Parallel Data [51.3588490789084]
  PFBはテキストレスのS2STモデルをトレーニングするためのフレームワークで、数十時間の並列音声データしか必要としない。 3つのドメインで英語、ドイツ語、マラティー語、英語の翻訳をトレーニングし、評価する。
  論文  参考訳（メタデータ） (2023-05-24T17:59:05Z)
• SpokenWOZ: A Large-Scale Speech-Text Benchmark for Spoken Task-Oriented Dialogue Agents [70.08842857515141]
  SpokenWOZは音声TODのための大規模音声テキストデータセットである。 SpokenWOZでは、クロスターンスロットと推論スロット検出が新たな課題である。
  論文  参考訳（メタデータ） (2023-05-22T13:47:51Z)
• IMaSC -- ICFOSS Malayalam Speech Corpus [0.0]
  約50時間の音声を含むマラヤラム語テキストと音声コーパスであるIMaSCについて述べる。 8つのスピーカーと合計34,473のテキストオーディオペアを持つIMaSCは、他のすべてのパブリックな代替品よりも大きい。 以上の結果から,我々のモデルでは,従来の研究や公開モデルに比べて自然度が有意に向上し,平均世論スコアは4.50であることがわかった。
  論文  参考訳（メタデータ） (2022-11-23T09:21:01Z)
• Quantifying Language Variation Acoustically with Few Resources [4.162663632560141]
  ディープ・アコースティック・モデルは低リソース言語に転送する言語情報を学んだかもしれない。 4つの言語(地域)から100以上の方言に対して平均10語以上の発音差を計算する。 その結果,音響モデルは音素の書き起こしを必要とせずに(従来の)書き起こし方式よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-05-05T15:00:56Z)
• Unsupervised Cross-lingual Representation Learning for Speech Recognition [63.85924123692923]
  XLSRは、複数の言語における音声の生波形から1つのモデルを事前学習することで、言語間音声表現を学習する。 我々は、マスク付き潜在音声表現よりも対照的なタスクを解くことで訓練されたwav2vec 2.0を構築した。 実験により、言語間事前学習はモノリンガル事前訓練よりも著しく優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-24T18:25:05Z)

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。