論文の概要: SyRA-CS: Synthetic-to-Real Adaptation for Code-Switched ASR with Meta-Learning

• arxiv url: http://arxiv.org/abs/2610.31415v1
• Date: Thu, 22 Oct 2026 15:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.42189
• Title: SyRA-CS: Synthetic-to-Real Adaptation for Code-Switched ASR with Meta-Learning
• Title（参考訳）: SyRA-CS: メタラーニングによるコード切替ASRの合成と再適応
• Abstract要約: メタラーニングに基づくペア固有の合成-現実適応フレームワークであるSyRA-CSを提案する。 各言語ペアと事前訓練モデルに対して、対応する合成CS-FLEURサブセットをメタトレーニングし、1時間のラベル付き実ターゲット音声を用いて適応する。 SyRA-CS は16のモデルペア比較と16のモデルペア比較で WER の連続的な微調整よりも改善されており、相対マクロ WER は XLS-R では 17.7% 、他の3つのモデルでは 5.3-5.8% である。
• 参考スコア（独自算出の注目度）: 12.1644917615727
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Code-switched (CS) automatic speech recognition (ASR) remains difficult because real CS speech is scarce and synthetic speech does not fully match it. We investigate whether synthetic CS speech is more useful for learning an adaptation-friendly initialization than for ordinary continual fine-tuning. We propose SyRA-CS, a pair-specific synthetic-to-real adaptation framework based on Reptile meta-learning. For each language pair and pretrained model, we meta-train on the corresponding synthetic CS-FLEURS subset and then adapt using one hour of labeled real target speech. We evaluate four architectural settings: Encoder-CTC, FastConformer-RNN-T, Attention Encoder-Decoder (AED) and Speech-LLM. Experiments cover on Arabic-, French-, German-, and Hindi-English, against synthetic-only transfer, real-only fine-tuning, and continual fine-tuning. SyRA-CS improves over continual fine-tuning on WER in all 16 model-pair comparisons and on CER in 15 of 16, with relative macro WER reductions of 17.7% for XLS-R and 5.3-5.8% for the other three models. The gains hold across the tested models but vary in size across architectures, language pairs and metrics.
• Abstract（参考訳）: Code-Switched (CS) Automatic Speech Recognition (ASR) は、実際のCS音声が不足し、合成音声が完全に一致しないため、依然として困難である。 合成CS音声が通常の連続微調整よりも適応に優しい初期化学習に有用かどうかを検討する。 Reptileメタラーニングに基づくSyRA-CSを提案する。 各言語ペアと事前訓練モデルに対して、対応する合成CS-FLEURSサブセットをメタトレーニングし、1時間のラベル付き実ターゲット音声を用いて適応する。 本研究では,Encoder-CTC,FastConformer-RNN-T, Attention Encoder-Decoder (AED) , Speech-LLM の4つのアーキテクチャ設定を評価する。 実験はアラビア語、フランス語、ドイツ語、ヒンディー語で、合成のみの移動、実物のみの微調整、連続的な微調整をカバーしている。 SyRA-CS は16のモデルペア比較と16のモデルペア比較で WER の連続的な微調整よりも改善されており、相対マクロ WER は XLS-R では 17.7% 、他の3つのモデルでは 5.3-5.8% である。 テスト対象のモデル間で利得は保たれるが、アーキテクチャ、言語ペア、メトリクスによってサイズは異なる。

関連論文リスト

• Improving Code-Switching ASR with Code-Mixing Guided Synthetic Speech [37.15980892511798]
  本稿では,コードスイッチングの精度向上に向けて,合成音声生成を推し進めるコードミキシング指導型嗜好学習フレームワークを提案する。 SeAME Mandarin- English conversational corpusの実験により,ASR微調整のための合成データの有用性が向上することが実証された。
  論文  参考訳（メタデータ） (2026-06-14T07:56:36Z)
• Improving Code-Switching Speech Recognition with TTS Data Augmentation [58.34842693152991]
  本稿では,この不足に対処する効果的なデータ拡張手法として,多言語テキスト音声(TTS)モデルについて検討する。 我々は、SEAMEデータセット上の多言語CosyVoice2 TTSモデルを微調整し、中国語と英語の合成音声を生成する。
  論文  参考訳（メタデータ） (2026-01-02T10:11:51Z)
• Optimizing ASR for Catalan-Spanish Code-Switching: A Comparative Analysis of Methodologies [9.224033819309708]
  2つ以上の言語を交互に使用するコードスイッチング(CS)は、訓練データ不足と言語的類似性のため、自動音声認識(ASR)に挑戦する。 1)合成CSデータの生成,(2)モノリンガル音声の連結,(3)言語トークンを用いた実CSデータの利用,の3つの戦略を探索することにより,カタルーニャ・スペインのCSのためのASRを改善する。 その結果,合成CSデータの質素な量と支配的な言語トークンを組み合わせれば,最高の転写性能が得られることがわかった。
  論文  参考訳（メタデータ） (2025-07-18T12:54:41Z)
• AsyncSwitch: Asynchronous Text-Speech Adaptation for Code-Switched ASR [3.263178944046948]
  AsyncSwitchは、ペア音声テキストコーパスを微調整する前に、さまざまなコードスイッチされたドメインにASRモデルを事前出力する新しいフレームワークである。 マレー語と英語のコードスイッチングに関するウィスパーの実験では、9.02%の相対的なWER削減が示され、シングリッシュ、マレー語、その他の英語の変種におけるモノリンガルのパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2025-06-17T05:05:09Z)
• Can we train ASR systems on Code-switch without real code-switch data? Case study for Singapore's languages [3.263178944046948]
  Code-Switching (CS) は、ASRの難易度とコストのかかる書き起こしデータによる課題を提示する。 本研究では,自然パターンを模倣した合成CSデータを生成するためのフレーズレベルの混合手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T04:37:16Z)
• CosyVoice 2: Scalable Streaming Speech Synthesis with Large Language Models [74.80386066714229]
  改良されたストリーミング音声合成モデルCosyVoice 2を提案する。 具体的には,音声トークンのコードブック利用を改善するために,有限スカラー量子化を導入する。 我々は,様々な合成シナリオをサポートするために,チャンク対応因果フローマッチングモデルを開発した。
  論文  参考訳（メタデータ） (2024-12-13T12:59:39Z)
• OWSM-CTC: An Open Encoder-Only Speech Foundation Model for Speech Recognition, Translation, and Language Identification [44.94458898538114]
  Connectionist Temporal Classification (CTC)に基づく新しいエンコーダのみの音声基礎モデルOWSM-CTCを提案する。 多言語自動音声認識(ASR)、音声翻訳(ST)、言語識別(LID)のための180k時間の公開音声データをトレーニングする。 エンコーダデコーダOWSMと比較して、OWSM-CTCはASRとSTの24%の相対的改善を達成し、より堅牢で推論の3倍から4倍高速である。
  論文  参考訳（メタデータ） (2024-02-20T02:04:38Z)
• HierSpeech++: Bridging the Gap between Semantic and Acoustic Representation of Speech by Hierarchical Variational Inference for Zero-shot Speech Synthesis [39.892633589217326]
  大規模言語モデル(LLM)に基づく音声合成は、ゼロショット音声合成において広く採用されている。 テキスト音声変換(TTS)と音声変換(VC)のための高速で強力なゼロショット音声合成器であるHierSpeech++を提案する。
  論文  参考訳（メタデータ） (2023-11-21T09:07:11Z)
• Speech collage: code-switched audio generation by collaging monolingual corpora [50.356820349870986]
  Speech Collage は音声セグメントをスプライシングすることでモノリンガルコーパスからCSデータを合成する手法である。 2つのシナリオにおける音声認識における生成データの影響について検討する。
  論文  参考訳（メタデータ） (2023-09-27T14:17:53Z)

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。