論文の概要: Measuring the Verifier's Floor: How Much Apparent Rare-Word Text-to-Speech Error Is ASR Error?

• arxiv url: http://arxiv.org/abs/2610.31470v1
• Date: Thu, 22 Oct 2026 15:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.467313
• Title: Measuring the Verifier's Floor: How Much Apparent Rare-Word Text-to-Speech Error Is ASR Error?
• Title（参考訳）: 検証者のフロアの測定:ASRエラーとは?
• Abstract要約: LibriSpeech と FLEURS では、評価認識器は、人間のスピーチにおいても、非常に稀な単語の33-67%を欠いている。 残りの調整済みエラーの半数は変種を綴じている可能性があるため、リスニングテストが必要である。
• 参考スコア（独自算出の注目度）: 0.2624902795082451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-speech (TTS) is usually evaluated by transcribing its output with an automatic speech recognition (ASR) system, so the word error rate also counts recognizer errors. We measure these errors on human recordings of the test sentences. On LibriSpeech and FLEURS, the evaluation recognizer misses 33-67% of very rare words even in human speech, and all three recognizers miss 22-42%. Checking every word with two more recognizer families lowers the apparent TTS error on words that at least one recognizer hears two- to three-fold (very rare LibriSpeech words: from 10-13% to 3-5%), yet very rare words remain the hardest. Ignoring words the recognizer misses in human speech is biased: the other recognizers find TTS errors far more often on these words (4-6% vs. 0.2-0.3%) and overturn about half of the errors this mask keeps. As half of the remaining adjudicated errors may be spelling variants, a listening test is needed.
• Abstract（参考訳）: テキスト音声合成(TTS)は通常、出力を自動音声認識(ASR)システムで書き起こすことで評価される。 テスト文の人為的な記録において,これらの誤りを計測する。 LibriSpeech と FLEURS では、評価認識者は人間のスピーチにおいても33～67%の非常に稀な単語を逃し、3人とも22～42%を逃した。 2つの認識語族で全ての単語をチェックすると、少なくとも1つの認識語が2倍から3倍の単語(非常に稀なLibriSpeech語:10-13%から35%)を聴くことができるが、非常に稀な単語は最も難しいままである。 他の認識者は、これらの単語(0.2-0.3%に対して4-6%)でTSSエラーをはるかに多く発見し、マスクが保持するエラーの約半分を覆す。 残りの調整済みエラーの半数は変種を綴じている可能性があるため、リスニングテストが必要である。

関連論文リスト

• Pronouncing Hard Words: Phoneme Adaptation of a Pretrained Conversational Text to Speech Model [50.335253821316805]
  プレ/ミドルトレーニングなしで、事前訓練された会話型TSモデルに音素制御性を再現する。 臨床薬の発音評価では, 厳密なジェミニ・ジャッジドの正しさを54.6%から90.7%に引き上げた。 訓練段階が薬名を見ないため、評価全体がドメイン外であるため、学習した発音を記憶するよりも、学習した発音を反映する。
  論文  参考訳（メタデータ） (2026-10-16T19:41:23Z)
• 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)
• Qualitative Evaluation of Language Model Rescoring in Automatic Speech Recognition [6.732553711612198]
  いくつかの指標を用いて,ASRシステムにおける言語モデルを用いた再構成の影響について検討した。 これらの指標は、転写仮説における後部再コーディング段階に適用される言語モデルの言語学的貢献を示す。
  論文  参考訳（メタデータ） (2026-04-30T07:37:16Z)
• "Sorry, I Didn't Catch That": How Speech Models Miss What Matters Most [30.735876729204012]
  本研究は, ハイテイクタスクにおける障害モードについて考察する。 OpenAI、Deepgram、Google、Microsoftの15のモデルを、言語的に多様な米国の話者の録音で評価し、平均転写エラー率は44%である。 この害を軽減するために、オープンソースのテキスト音声モデルを用いて、名前付きエンティティの様々な発音を生成する合成データ生成手法を導入する。
  論文  参考訳（メタデータ） (2026-02-12T18:36:09Z)
• 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)
• Towards Unsupervised Speech Recognition Without Pronunciation Models [57.222729245842054]
  本稿では,ペア音声とテキストコーパスを使わずにASRシステムを開発するという課題に取り組む。 音声合成とテキスト・テキスト・マスクによるトークン埋込から教師なし音声認識が実現可能であることを実験的に実証した。 この革新的なモデルは、レキシコンフリー環境下での以前の教師なしASRモデルの性能を上回る。
  論文  参考訳（メタデータ） (2024-06-12T16:30:58Z)
• Computer-assisted Pronunciation Training -- Speech synthesis is almost all you need [18.446969150062586]
  既存のCAPT法では発音誤りを高精度に検出できない。 本稿では,音素対音素(P2P),テキスト対音声(T2S),音声対音声変換(S2S)の3つの革新的な手法を提案する。 これらの手法は、発音誤りを検出するための3つの機械学習モデルの精度を向上させるだけでなく、分野における新しい最先端の確立にも有効であることを示す。
  論文  参考訳（メタデータ） (2022-07-02T08:33:33Z)
• Self-Supervised Speech Representations Preserve Speech Characteristics while Anonymizing Voices [15.136348385992047]
  我々は、自己教師付き音声表現を用いて、複数の音声変換モデルを訓練する。 変換音声は、元の音声の1%以内に低い単語誤り率を保持する。 調音・韻律・発声・音韻に関連する音声特徴を匿名音声から抽出できることを示す。
  論文  参考訳（メタデータ） (2022-04-04T17:48:01Z)
• A study on native American English speech recognition by Indian listeners with varying word familiarity level [62.14295630922855]
  発声を認識している間、各聴取者から3種類の応答が得られます。 これらの転写から単語誤り率(WER)を算出し、認識された文と原文との類似性を評価する指標として用いる。 話者のナティビティの賢明な分析は、一部のナティビティの話者からの発声が、他のいくつかのナティビティに比べてインド人のリスナーによって認識されるのが困難であることを示している。
  論文  参考訳（メタデータ） (2021-12-08T07:43:38Z)
• Unsupervised Speech Recognition [55.864459085947345]
  wav2vec-Uは、ラベル付きデータなしで音声認識モデルを訓練する方法である。 我々は、自己教師付き音声表現を活用して、ラベルなし音声をセグメント化し、これらの表現から相手の訓練を通して音素へのマッピングを学習する。 より大きな英語のLibrispeechベンチマークでは、wav2vec-Uは、わずか2年前の960時間のラベル付きデータに基づいてトレーニングされた最も優れたシステムに匹敵する、他のテストで5.9の単語エラー率を達成した。
  論文  参考訳（メタデータ） (2021-05-24T04:10:47Z)

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。