論文の概要: Text-Only LLM Correctors Break Correct Transcripts: A Repair-Damage Analysis of Audio Grounding in ASR Error Correction

• arxiv url: http://arxiv.org/abs/2610.30385v1
• Date: Wed, 21 Oct 2026 19:45:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.122174
• Title: Text-Only LLM Correctors Break Correct Transcripts: A Repair-Damage Analysis of Audio Grounding in ASR Error Correction
• Title（参考訳）: テキスト専用LLM補正器は正しい書き起こしを破る:ASR誤り訂正におけるオーディオグラウンドの修復・損傷解析
• Abstract要約: すべてのWER変更を、正確に修復されたトークン、破損したトークン、挿入に分解します。 我々は,モデル独自のドラフトと独立認識器の出力について,音声による補正と無音の補正を比較した。
• 参考スコア（独自算出の注目度）: 0.4077787659104315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM correctors of ASR output are judged by aggregate WER, which hides what they fix and what they break. We decompose every WER change exactly into repaired tokens, damaged tokens and insertions, and use this to ask what the source audio adds to a corrector. We compare correction with and without the audio, for the model's own draft and for the output of an independent recogniser, on three corpora. With Gemini 2.5 Flash, text-only correction of its own draft breaks 13-32% of already-correct transcripts; with the audio, 1-3%. Damage falls in both settings. Repair falls against the own draft and rises against the recogniser. On medical dictation, kept insertions cancel the gain in net WER. The open-weight Voxtral, which rarely edits, does not show this pattern. Prompts differ between the two arms, so the contrasts bound the effect of the audio and do not isolate it.
• Abstract（参考訳）: LLM の ASR 出力の補正は WER の集約によって判断される。 すべてのWER変更を、修復されたトークン、破損したトークン、挿入に正確に分解し、これを使用して、ソースオーディオが修正子に追加するものを問う。 3つのコーパス上で、モデル独自のドラフトと独立認識器の出力に対して、音声の補正と無音補正を比較した。 Gemini 2.5 Flashでは、独自のドラフトのテキストのみの修正が、すでに修正済みのテキストの13～32%を破り、オーディオは1～3%になった。 ダメージは両方の設定で発生する。 修復は自身のドラフトに反し、認識者に対して上昇する。 医令では、挿入はネットWERでの利得をキャンセルした。 滅多に編集されないオープンウェイトなVoxtralは、このパターンを示さない。 プロンプトは2つの腕によって異なるため、コントラストはオーディオの効果を束縛し、それを分離しない。

関連論文リスト

• Text Dominance in Paralinguistic Conflict: Tracing Suppression Through Audio LLM Circuits [9.10848231962384]
  音声LLMがパラ言語的手がかり(感情、話者同一性、皮肉)よりも書き起こし内容に優先するか否かを検証した。 注意ノックアウトは、オープンエンド生成中に中間トークンを介してクレームが伝播するのを阻止することにより、部分的にオーディオグラウンド出力を復元する。 この効果はフリーフォーム生成にのみ現れ、クローズドセットの複数の選択にはない。
  論文  参考訳（メタデータ） (2026-10-19T00:05:24Z)
• SuperMotion: Source-Preserving Denoising for Text-Driven Human Motion Editing [57.65261356825894]
  我々は、ソース保存の各逆ステップでソースを明示的に再利用するtextbfSource-Preserving Denoising framework (SuperMotion)を提案する。 実験の結果、SuperMotionは編集精度を向上し、MotionFixで33.20%のフルプールR@1に達した。
  論文  参考訳（メタデータ） (2026-10-01T11:51:18Z)
• Causal Localization of the Refusal Direction in Audio Language Models [51.56484100374058]
  大きな音声言語モデルは、音声フロントエンドをテキスト言語モデルにアタッチする。 そのようなモデルが有害な音声要求を拒否した場合、その拒絶はフロントエンドによって運ばれるか、あるいはテキストLMから受け継がれているか? 我々は,各モデルの音声-LMインタフェースと試験されたLM残層において,良性のプロンプトから有害な方向を分離し,その成分を吸収し,結果として得られたモデルの最初の拒絶マージンの変化を測定する。
  論文  参考訳（メタデータ） (2026-09-06T17:29:43Z)
• AVERT: Audio-Verified Adjudication for Spoken Dialogue State Tracking [33.29016224793747]
  音声対話状態追跡は音声からスロット値ペアを復元する。 ターン毎の強いテキストエディタは、この多くを訂正するが、書き起こしだけで、回復可能な3つのエラーを残している。 本稿では,クロスターン合意と訓練されたオーディオ条件検証器を組み合わせることで,各候補値をスコアするAVERTを提案する。
  論文  参考訳（メタデータ） (2026-09-01T20:01:59Z)
• Voice Memory for Agentic Speech Recognition [66.69623133635868]
  エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。 同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。 10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
  論文  参考訳（メタデータ） (2026-07-29T02:42:56Z)
• DirectAudioEdit: Inversion-Free Text-Guided Audio Editing via Diffusion Prediction Contrast [48.769614659190445]
  そこで我々はDirectAudioEditを紹介した。これは、オーディオ編集のためのトレーニングフリーでインバージョンフリーな方法を開発するための最初の試みである。 実験の結果、DirectAudioEdit は DDPM のインバージョンと比較して、マクロ平均 FAD と KL を 15.9% と 15.8% 削減し、最大 64.5% の高速化を実現している。
  論文  参考訳（メタデータ） (2026-06-05T15:04:22Z)
• Beyond Text Following: Repairable Arbitration Reversals in Audio-Language Models [34.99721206808916]
  音声モデルはしばしば、音声証拠が明確であっても、音声と矛盾するテキストに従う。 Gated Audio Counterfactual Logit Correction (GACL)を提案する。 厳格な5ppの忠実度ドロップの予算の下で、GACLは最高のコントラストベースラインよりも17.8ポイントのnAUCを改善している。
  論文  参考訳（メタデータ） (2026-06-03T17:57:51Z)
• Error Correction by Paying Attention to Both Acoustic and Confidence References for Automatic Speech Recognition [52.624909026294105]
  本稿では,非自己回帰型音声誤り訂正法を提案する。 信頼モジュールは、N-best ASR仮説の各単語の不確実性を測定する。 提案方式は,ASRモデルと比較して誤差率を21%削減する。
  論文  参考訳（メタデータ） (2024-06-29T17:56:28Z)
• FastCorrect: Fast Error Correction with Edit Alignment for Automatic Speech Recognition [90.34177266618143]
  編集アライメントに基づく新しいNAR誤り訂正モデルであるFastCorrectを提案する。 fastcorrectは推論を6-9倍高速化し、自己回帰補正モデルと比較して精度を8-14%向上させる。 ニューラルマシン翻訳で採用されている一般的なNARモデルの精度を、大きなマージンで上回っています。
  論文  参考訳（メタデータ） (2021-05-09T05:35:36Z)

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。