論文の概要: Group Relative Policy Optimisation Improves Multilingual Speech Recognition in Low-Resource Languages

• arxiv url: http://arxiv.org/abs/2610.30663v1
• Date: Thu, 22 Oct 2026 03:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.19961
• Title: Group Relative Policy Optimisation Improves Multilingual Speech Recognition in Low-Resource Languages
• Title（参考訳）: 低音源言語におけるグループ相対的ポリシー最適化による多言語音声認識の改善
• Abstract要約: グループ相対政策最適化は、LLMモデルを用いた主要言語での音声認識を改善する。 我々は、51のアフリカ言語を対象としたケーススタディとしてWhisper-large-v3を用いて、より小さなLLMエンコーダデコーダASRモデルに拡張する。
• 参考スコア（独自算出の注目度）: 0.61053294641177
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive encoder-decoder speech recognition models trained with teacher forcing can suffer from exposure bias, limiting their ability to recover from their own prediction errors at inference time. Recent work has shown that reinforcement learning with Group Relative Policy Optimisation (GRPO) improves speech recognition in major languages with LLM-based models. We extend this line of work to smaller, non-LLM encoder-decoder ASR models, using Whisper-large-v3 as a case study across 51 African languages. The benefits of this approach are most pronounced when training data is scarce or when input audio is noisy or degraded. Our resulting model, SunflowerASR, achieves the best published macro-averaged WER on the AfriVox-v2 (0.227) and SimbaBench (0.372) benchmarks, and is publicly available.
• Abstract（参考訳）: 教師の強制力で訓練された自己回帰エンコーダ・デコーダ音声認識モデルは、露出バイアスに悩まされ、推論時に自身の予測エラーから回復する能力を制限する。 近年の研究では,グループ相対政策最適化(GRPO)による強化学習が,LLMモデルを用いた主要言語での音声認識を改善することが示されている。 我々は、51のアフリカ言語を対象としたケーススタディとしてWhisper-large-v3を用いて、より小さなLLMエンコーダデコーダASRモデルに拡張する。 このアプローチの利点は、トレーニングデータが不足している場合や、入力オーディオがノイズや劣化している場合に最も顕著である。 得られたモデルであるSunflowerASRは、AfriVox-v2 (0.227) と SimbaBench (0.372) ベンチマークで最も優れたマクロ平均 WER を達成し、公開されている。

関連論文リスト

• Large Language Model Data Generation for Enhanced Intent Recognition in German Speech [14.788624194380825]
  音声コマンドのインテント認識(IR)は人工知能(AI)アシスタントシステムに不可欠である。 本稿では,高齢者のドイツ語音声を微調整したWhisper ASRモデルを組み合わせた新しい手法を提案する。 合成音声をテキスト音声モデルで生成し、広範囲なクロスデータセットテストを行う。
  論文  参考訳（メタデータ） (2025-08-08T12:54:09Z)
• Adaptability of ASR Models on Low-Resource Language: A Comparative Study of Whisper and Wav2Vec-BERT on Bangla [0.0]
  本研究では,2つの最先端自動音声認識(ASR)モデル,OpenAIのWhisper(Small & Large-V2)とFacebookのWav2Vec-BERT(Bangla)の性能について検討した。
  論文  参考訳（メタデータ） (2025-07-02T17:44:54Z)
• Leveraging LLM and Self-Supervised Training Models for Speech Recognition in Chinese Dialects: A Comparative Analysis [4.774607166378613]
  自己教師付き事前トレーニングと大規模言語モデル(LLM)を組み合わせることで、低リソースシナリオにおけるASRのパフォーマンスを効果的に向上させることができる。 我々は、ラベル付き方言とアクセント付き音声データの30,000時間でData2vec2モデルを事前訓練し、教師付きデータセット上で4万時間アライメントトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-27T12:50:55Z)
• Whispering in Amharic: Fine-tuning Whisper for Low-resource Language [3.2858851789879595]
  本研究は,AmharicにおけるOpenAIのWhisper自動音声認識モデルについて検討する。 Mozilla Common Voice、FLEURS、BDU-speechデータセットといったデータセットを使って微調整します。 最高のパフォーマンスモデルであるWhispersmall-amは、既存のFLEURSデータと新しい、目に見えないAmharicデータセットの混合を微調整することで、大幅に改善される。
  論文  参考訳（メタデータ） (2025-03-24T09:39:41Z)
• Large Language Model Based Generative Error Correction: A Challenge and Baselines for Speech Recognition, Speaker Tagging, and Emotion Recognition [110.8431434620642]
  生成音声の書き起こし誤り訂正(GenSEC)の課題について紹介する。 この課題は、(i)ASR後の転写補正、(ii)話者タグ付け、(iii)感情認識という、3つのASR後の言語モデリングタスクを含む。 本稿では,ベースライン評価から得られた知見と,今後の評価設計における教訓について論じる。
  論文  参考訳（メタデータ） (2024-09-15T16:32:49Z)
• Large Language Models are Efficient Learners of Noise-Robust Speech Recognition [65.95847272465124]
  大規模言語モデル(LLM)の最近の進歩は、自動音声認識(ASR)のための生成誤り訂正(GER)を促進している。 本研究では,このベンチマークをノイズの多い条件に拡張し,GERのデノナイジングをLLMに教えることができるかを検討する。 最新のLLM実験では,単語誤り率を最大53.9%改善し,新たなブレークスルーを実現している。
  論文  参考訳（メタデータ） (2024-01-19T01:29:27Z)
• Multilingual self-supervised speech representations improve the speech recognition of low-resource African languages with codeswitching [65.74653592668743]
  微細な自己教師型多言語表現は絶対単語誤り率を最大20%削減する。 訓練データに制限のある状況では、自己教師付き表現を微調整することが、より良いパフォーマンスと実行可能なソリューションである。
  論文  参考訳（メタデータ） (2023-11-25T17:05:21Z)
• Reduce, Reuse, Recycle: Is Perturbed Data better than Other Language augmentation for Low Resource Self-Supervised Speech Models [48.44820587495038]
  自己教師付き表現学習(SSRL)は、音素認識を含むタスクの教師付きモデルよりも優れた性能を示した。 SSRLモデルのトレーニングは、十分な事前学習データが入手できない低リソース言語にとって課題となる。 本稿では,低リソース環境下でのSSRLモデルの事前学習にピッチ変動,雑音付加,アクセント付きターゲット言語,その他の言語音声を用いることを提案し,音素認識の評価を行う。
  論文  参考訳（メタデータ） (2023-09-22T10:09:09Z)

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。