論文の概要: When the Persona Contradicts the Line: Diagnosing Plan-to-Synthesis Failures in Chain-of-Thought TTS
- arxiv url: http://arxiv.org/abs/2610.35008v1
- Date: Mon, 26 Oct 2026 08:20:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.793897
- Title: When the Persona Contradicts the Line: Diagnosing Plan-to-Synthesis Failures in Chain-of-Thought TTS
- Title（参考訳）: ペルソナが線を語る時--ATSにおける計画合成失敗の診断
- Abstract要約: TTSシステムは、ペルソナとコンテキストを音声配信に変換するために言語モデルプランナーに依存している。
両言語対応のペルソナ・ラインコンフリクト・ベンチマークを導入し,各項目が相反するペルソナと1行をペアリングする。
我々は,この方向をプランナー生成語句,プランナー記述感情ベクトル,QwenEmotion生成ベクトル,および描画波形で探索する。
- 参考スコア（独自算出の注目度）: 6.949453644640367
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Chain-of-thought TTS systems rely on language-model planners to translate persona and context into vocal delivery, but it is unclear where this intent is lost when the requested affect conflicts with lexical sentiment. We introduce a bilingual Japanese--English persona--line conflict benchmark in which each item pairs one line with congruent and conflicting personas and pre-declares the expected acoustic direction. We probe this direction in the planner-generated delivery phrase, the planner-written emotion vector, the QwenEmotion-generated vector, and the rendered waveform. Planner outputs are usually direction-correct, while downstream agreement can be substantially lower. Bypassing QwenEmotion provides only modest gains over the full planner-controlled Base. Supervising QwenEmotion raises the direction rate to 75% in Japanese and 84% in English. A learned text-to-latent interface reaches the highest English rate of 89% and the highest Japanese arousal rate of 88%. These results show that learned repair of the plan-to-synthesis interface can recover counter-textual delivery, although its effect differs across languages and acoustic axes.
- Abstract（参考訳）: TTSシステムは、言語モデルプランナーに頼ってペルソナとコンテキストを音声配信に翻訳するが、要求された要求が語彙的感情との衝突に影響する場合、この意図が失われるかどうかは不明である。
両言語対応のペルソナ・ラインコンフリクト・ベンチマークを導入し、各項目が一致したペルソナと1行をペアリングし、予測される音響方向を事前に宣言する。
我々は,この方向をプランナー生成語句,プランナー記述感情ベクトル,QwenEmotion生成ベクトル,および描画波形で探索する。
プランナーの出力は通常方向修正されるが、下流での合意は大幅に低くなる。
QwenEmotionをバイパスすることで、完全なプランナーが制御するBaseに対して、わずかに利益しか得られない。
監督 QwenEmotion は日本語で75%、英語で 84% に上昇する。
学習されたテキスト-ラテントインタフェースは、英語の最高率89%、日本語の最高刺激率88%に達する。
これらの結果は,言語や音響軸によって異なるが,計画合成インタフェースの学習により,対テクスチャ配信が回復できることを示唆している。
関連論文リスト
- Building and Evaluating Fixed-Voice Thai TTS from Synthetic Speech [10.845790025318584]
低リソース設定では、TSのデプロイは通常、コストのかかる推論を伴う大きな音声閉鎖モデルと、コンパクトな固定音声システムのいずれかを選択する必要がある。
プログラム可能なデータソースとして大規模音声閉鎖モデルを用いて、短い音声参照を合成音声で訓練されたコンパクトな固定音声学習者に変換する第3の経路について検討する。
論文 参考訳（メタデータ） (2026-09-03T08:03:58Z) - IndicQE-APE: A Benchmark for Quality Estimation and Automatic Post-Editing for Indic Languages [77.88427845181154]
我々はWMT 2020-2024の共有タスクの系統を、英語のリソースを拡張してインディクシーに集約する:9つの方向対に対して126,754ドルのインスタンス。
セグメントレベルのQEでは,LSMが6つ,COMETが3つ,APEでは3つのシステムをベンチマークした。
論文 参考訳（メタデータ） (2026-08-17T09:50:52Z) - Trajectory Dynamics in Language Model Hidden States Predict Human Processing Costs Beyond Surprisal [0.0]
本稿では,単語レベルの予測誤差(副次的)と展開解釈の局所運動量に対する感度(軌道外挿誤差)が処理コストの解離可能な成分であることを示す。
この効果は特に庭道の文で顕著である。
論文 参考訳（メタデータ） (2026-06-03T18:44:41Z) - Hierarchical Policy Optimization for Simultaneous Translation of Unbounded Speech [50.45710815530982]
同時音声翻訳(SST)は、部分的な音声入力を受けながら翻訳を生成する。
近年の進歩により、大規模言語モデル(LLM)はSSTの品質を大幅に向上するが、高い計算オーバーヘッドのコストがかかる。
本稿では,不完全なSFTデータに基づいて列車後モデルを訓練する階層的ポリシー最適化(HPO)手法を提案する。
英語と中国語/ドイツ語/日本語の実験では、+7 COMETスコアと+1.25 MetricXスコアが1.5秒で改善された。
論文 参考訳（メタデータ） (2026-04-22T19:43:51Z) - Thai Semantic End-of-Turn Detection for Real-Time Voice Agents [0.3499870393443268]
従来のオーディオ・サイレンス・エンドポインターは数百ミリ秒の遅延を加え、ためらいや言語固有の現象の下で失敗する。
リアルタイムエージェントのためのタイ語テキストオンリー・エンド・オブ・ターン(EOT)検出に関する最初の体系的研究である。
論文 参考訳（メタデータ） (2025-10-05T03:31:59Z) - MEUV: Achieving Fine-Grained Capability Activation in Large Language Models via Mutually Exclusive Unlock Vectors [37.488329455418054]
大きな言語モデル(LLM)は、悪意のある要求を確実に拒否するために安全アライメントを強制する。
しかし、同じ毛布の保護具は、警察、防衛、その他の高所設定における合法的な使用をブロックする。
モノリシックな拒絶方向をトピック整列ベクトルに分解する軽量なフレームワークであるMEUV(Mutually Exclusive Unlock Vectors)を紹介する。
論文 参考訳（メタデータ） (2025-09-04T07:16:06Z) - Chinchunmei at SemEval-2025 Task 11: Boosting the Large Language Model's Capability of Emotion Perception using Contrastive Learning [7.7913577883363425]
SemEval-2025 Task 11 テキストベース感情検出のギャップを埋めることにより、28以上の言語にまたがる感情認識の課題が導入された。
このコンペティションは、感情表現の多様性と背景の変化によって引き起こされる課題に対処する、より高度なアプローチを模索することを奨励する。
本システムでは、トラックAで9位、トラックBで6位、他の言語でトップレベルのパフォーマンスシステムでは1位にランクインした。
論文 参考訳（メタデータ） (2025-07-21T15:25:47Z) - Prosody in Cascade and Direct Speech-to-Text Translation: a case study
on Korean Wh-Phrases [79.07111754406841]
本研究は,韻律が重要な役割を果たす発話を明瞭にするための直接S2TTシステムの能力を評価するために,コントラスト評価を用いることを提案する。
本結果は,カスケード翻訳モデルよりも直接翻訳システムの価値を明確に示すものである。
論文 参考訳（メタデータ） (2024-02-01T14:46:35Z) - Unlikelihood Tuning on Negative Samples Amazingly Improves Zero-Shot
Translation [79.96416609433724]
Zero-shot Translation (ZST)は、トレーニングデータにおいて、目に見えない言語ペア間の翻訳を目的としている。
推論中にゼロショット言語マッピングをガイドする一般的な方法は、ソースとターゲット言語IDを意図的に挿入することである。
近年の研究では、言語IDが時折ZSTタスクのナビゲートに失敗し、ターゲット外問題に悩まされることが示されている。
論文 参考訳（メタデータ） (2023-09-28T17:02:36Z) - VECO 2.0: Cross-lingual Language Model Pre-training with
Multi-granularity Contrastive Learning [56.47303426167584]
複数粒度アライメントを持つコントラスト学習に基づく言語間事前学習モデルVECO2.0を提案する。
具体的には、シーケンス・ツー・シーケンスアライメントが誘導され、並列対の類似性を最大化し、非並列対を最小化する。
トークン・ツー・トークンのアライメントは、シソーラス辞書を介して発掘された同義トークンと、バイリンガルな例の他の未使用トークンとのギャップを埋めるために統合される。
論文 参考訳（メタデータ） (2023-04-17T12:23:41Z) - Rethink about the Word-level Quality Estimation for Machine Translation
from Human Judgement [57.72846454929923]
ベンチマークデータセットであるemphHJQEを作成し、専門家翻訳者が不適切な翻訳語を直接アノテートする。
本稿では,タグリファインメント戦略と木ベースのアノテーション戦略という2つのタグ補正戦略を提案し,TERベースの人工QEコーパスをemphHJQEに近づける。
その結果,提案したデータセットは人間の判断と一致しており,また,提案したタグ補正戦略の有効性も確認できた。
論文 参考訳（メタデータ） (2022-09-13T02:37:12Z)
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。