論文の概要: Whispering Wisely: Smart Subset Selection for ASR Fine-Tuning

• arxiv url: http://arxiv.org/abs/2610.32997v1
• Date: Mon, 05 Oct 2026 10:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:06:26.123137
• Title: Whispering Wisely: Smart Subset Selection for ASR Fine-Tuning
• Title（参考訳）: Whispering Wisely: ASRファインチューニングのためのスマートサブセット選択
• Abstract要約: ASRファインタニングのためのより小さなトレーニングセットを選択するための埋め込みベースのサブセット選択手法を提案する。 我々はヘブライ語とデンマーク語の両方でこのアプローチを評価し、k中心選択はランダムサンプリングによってしばしば改善されることを示す。
• 参考スコア（独自算出の注目度）: 4.464655816907206
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic Speech Recognition (ASR) models such as OpenAIs Whisper have substantially improved speech recognition quality but remain expensive to fine-tune, especially when large amounts of transcribed audio are available. This makes it challenging for many practitioners to adapt these models to new languages or domains. In this work, we introduce an embedding-based subset selection approach for selecting smaller training sets for ASR fine-tuning. Using Whispers pretrained encoder, we map each audio sample into a fixed-dimensional embedding space and apply a greedy k-center algorithm to select diverse and representative subsets of the training data. We evaluate this approach on both Hebrew and Danish, showing that k-center selection often improves upon random sampling, particularly at smaller subset sizes. An analysis of lexical diversity reveals that k-center subsets capture a broader range of linguistic content than random subsets of the same size, which may help explain their observed effectiveness. Overall, our results demonstrate that embedding-based subset selection provides a practical strategy for ASR subset selection in the two evaluated languages, with the clearest recognition benefits observed at smaller sample budgets.
• Abstract（参考訳）: OpenAIs Whisperのような自動音声認識(ASR)モデルは、音声認識の品質を大幅に改善したが、特に大量の書き起こし音声が利用できる場合、微調整には高価である。 これにより、多くの実践者がこれらのモデルを新しい言語やドメインに適応させることが難しくなる。 本研究では、ASRファインチューニングのためのより小さなトレーニングセットを選択するための埋め込みベースのサブセット選択手法を提案する。 本稿では,Whispersプリトレーニングエンコーダを用いて,各オーディオサンプルを固定次元埋め込み空間にマッピングし,学習データの多種多様および代表的サブセットを選択するために,グリーディk中心アルゴリズムを適用する。 この手法をヘブライ語とデンマーク語の両方で評価し、k中心の選択は、特に小さなサブセットサイズで、ランダムサンプリングによってしばしば改善されることを示した。 語彙的多様性の分析により、k中心の部分集合が同じ大きさのランダムな部分集合よりも広い範囲の言語的内容を取得することが示され、それらが観察された効果を説明するのに役立つ可能性がある。 その結果, 組込み型サブセット選択は, 2つの評価言語におけるASRサブセット選択の実践的戦略を提供することを示した。

関連論文リスト

• Optimizing Conversational Quality in Spoken Dialogue Systems with Reinforcement Learning from AI Feedback [82.70507055599093]
  本稿では,マルチターン・チェーン・オブ・ソートモデルとブロックワイド・デュプレックスモデルの両方において,SDSの品質向上のための選好学習に関する最初の体系的研究を行う。 実験により, 単一回帰RLAIFは目標距離を選択的に改善し, 連立多重回帰学習は意味的品質と音声の自然性において一貫した利得が得られることが示された。
  論文  参考訳（メタデータ） (2026-01-27T00:55:14Z)
• Houston we have a Divergence: A Subgroup Performance Analysis of ASR Models [2.5168553347063862]
  Fearless Steps APOLLO Community Resourceは、マルチスピーカーチームコミュニケーションの可能性を探るための例外のない機会を提供する。 本研究では,ASR(Automatic Speech Recognition, 自動音声認識)手法により, アポロの録音を多かれ少なかれ理解しやすくする特徴を明らかにすることに焦点を当てた。
  論文  参考訳（メタデータ） (2024-03-31T10:06:19Z)
• Efficient Spoken Language Recognition via Multilabel Classification [53.662747523872305]
  我々のモデルは,現在の最先端手法よりも桁違いに小さく,高速でありながら,競争力のある結果が得られることを示す。 我々のマルチラベル戦略は、マルチクラス分類よりも非ターゲット言語の方が堅牢である。
  論文  参考訳（メタデータ） (2023-06-02T23:04:19Z)
• Speech Corpora Divergence Based Unsupervised Data Selection for ASR [30.224456184969693]
  本研究では,音声コーパス分散(SCD)に基づく教師なし目標認識データ選択手法を提案する。 実験により、提案したSCDデータ選択は、ランダム選択に対する14.8%の相対的な改善を実現できることが示された。
  論文  参考訳（メタデータ） (2023-02-26T03:26:26Z)
• Representative Subset Selection for Efficient Fine-Tuning in Self-Supervised Speech Recognition [6.450618373898492]
  ASRのための自己教師型音声モデルにおいて、効率的な微調整を行うために最適なデータのサブセットを同定する作業を検討する。 自己教師型ASRにおける代表サブセット選択のためのCOWERAGEアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T10:12:24Z)
• Speaker Embedding-aware Neural Diarization: a Novel Framework for Overlapped Speech Diarization in the Meeting Scenario [51.5031673695118]
  重なり合う音声のダイアリゼーションを単一ラベル予測問題として再構成する。 話者埋め込み認識型ニューラルダイアリゼーション(SEND)システムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T06:40:39Z)
• Speaker-Conditioned Hierarchical Modeling for Automated Speech Scoring [60.55025339250815]
  本研究では、話者条件付き階層型モデリングと呼ばれる非ネイティブASSのための新しいディープラーニング手法を提案する。 本手法では, 口腔熟練度テストが候補に対して複数の応答を評価できるという事実を生かして, 候補に対して複数の応答を評価できる。これらの応答からコンテキストを抽出し, ネットワークに付加的な話者固有のコンテキストとして与えて, 特定の応答をスコアする。
  論文  参考訳（メタデータ） (2021-08-30T07:00:28Z)
• Unsupervised Acoustic Unit Discovery by Leveraging a Language-Independent Subword Discriminative Feature Representation [31.87235700253597]
  本論文では,非ラベル音声データから電話型音響ユニット(AUD)を自動的に発見する。 第1段階は単語識別的特徴表現を学習し,第2段階は学習表現にクラスタリングを適用し,検出された音響単位として電話型クラスタを得る,という2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-02T11:43:07Z)
• Reducing Confusion in Active Learning for Part-Of-Speech Tagging [100.08742107682264]
  アクティブラーニング(AL)は、データ選択アルゴリズムを使用して、アノテーションコストを最小限に抑えるために有用なトレーニングサンプルを選択する。 本研究では、特定の出力タグのペア間の混乱を最大に低減するインスタンスの選択問題について検討する。 提案するAL戦略は,他のAL戦略よりも有意差で優れている。
  論文  参考訳（メタデータ） (2020-11-02T06:24:58Z)
• Unsupervised Cross-Modal Audio Representation Learning from Unstructured Multilingual Text [69.55642178336953]
  教師なし音声表現学習へのアプローチを提案する。 3重項ニューラルネットワークアーキテクチャに基づいて、意味論的に関連付けられたクロスモーダル情報を用いて、音声トラック関連性を推定する。 我々のアプローチは、様々なアノテーションスタイルと、このコレクションの異なる言語に不変であることを示す。
  論文  参考訳（メタデータ） (2020-03-27T07:37:15Z)

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。