論文の概要: The Voice on the Line

• arxiv url: http://arxiv.org/abs/2610.35272v1
• Date: Mon, 26 Oct 2026 11:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.907187
• Title: The Voice on the Line
• Title（参考訳）: The Voice on the Line (英語)
• Abstract要約: 140M, 243M, 374Mパラメータのマスキングトランスフォーマー, 20ミリ秒のレイテンシ, コール自体から呼び出し元を登録する。 長い呼び出し、注意窓の向こうの記憶、本物のヘッドセットのクロストーク、ドリフトコールのレベルは両方に対応しますが、それぞれが他方と交換します。 ライブでは、60 s AMIウィンドウで16.13%のワードエラーが発生し、VoxLockは23.66%が最強のオープンアイソレータである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A transcriber listening through one microphone also hears everyone near it. We train causal voice isolators: masking transformers of 140M, 243M and 374M parameters, 20 ms of latency, enrolling the caller from the call itself. Short evaluation windows hide two failures that real calls expose: forgetting the caller when another voice talks alone for a while, and damaging a caller who is alone. Long calls with turns, memory beyond the attention window, real headset crosstalk and drifting caller levels address both, but each trades one against the other. WavLM-Large's own weights, made causal and trained with the model, move the trade: M with them (555M parameters) lowers the error on our development sets from 11.44% to 10.55%; a student trained from scratch to imitate WavLM does not, and w2v-BERT 2.0 and Whisper's encoder, pre-trained on far more audio, help less or not at all. A lone caller loses most at the start of a recording: no training call opened with someone already talking. Training on windows cut from longer calls lowers the error on clean development calls from 3.92% to 2.96%; this is our release. Live, the release makes 16.13% word errors on 60 s AMI windows, against 23.66% for VoxLock, the strongest open isolator, and 10.19% on its own AMI windows, against 11.71%; it is level on Krisp's benchmark (5.74% against 5.63%), and a caller who is alone still loses more words than with VoxLock (5.58% against 2.92% on clean test calls). Distilled into 22.1M parameters without WavLM, it runs live on one CPU thread inside a LiveKit agent, at 33% of a core per call in 20 ms frames, with 10.66% error on our development sets (the release 10.49%). We open-source the release and this CPU model, with a LiveKit plugin, at https://huggingface.co/collections/Scicom-intl/voice-isolator.
• Abstract（参考訳）: 1つのマイクを通して聞いているトランクリンカーも、その近くのすべての人を聞きます。 140M,243M,374Mパラメータのマスキングトランスフォーマー,20ミリ秒のレイテンシ,コール自体からコールを登録する。 短い評価ウィンドウは、本当の呼び出しが露呈する2つの失敗を隠す。 長い呼び出し、注意窓の向こうの記憶、本物のヘッドセットのクロストーク、ドリフトコールのレベルは両方に対応しますが、それぞれが他方と交換します。 WavLM-Large 自身の重量は因果関係を成し、モデルで訓練し、取引を移動させた: M with them (555M パラメータ) は、開発セットのエラーを 11.44% から 10.55% に下げる; WavLM を模倣するためにスクラッチから訓練された学生は、w2v-BERT 2.0 と Whisper のエンコーダは、はるかに多くのオーディオで事前訓練され、ほとんど役に立たないか、全く役に立たない。 録音の開始時に、一人の発信者がほとんどを失い、既に話している誰かとトレーニングコールが開かれません。 より長い呼び出しからカットされたウィンドウのトレーニングは、クリーンな開発コールのエラーを3.92%から2.96%に下げる。 ライブでは、60 s AMIウィンドウで16.13%のワードエラー、最強のオープンアイソレータであるVoxLockでは23.66%、独自のAMIウィンドウでは10.19%、Krispのベンチマークでは5.74%対5.63%)、VoxLockでは2.92%(クリーンテストコールでは5.58%対2.92%)よりも多くの単語が失われている。 WavLMなしで22.1Mパラメータに分割され、LiveKitエージェント内の1つのCPUスレッドで動作し、1コールあたりのコアの33%を20ミリ秒フレームで実行し、開発セットで10.66%のエラーを発生させる(リリース10.49%)。 私たちはこのリリースと、LiveKitプラグインを備えたCPUモデルを、https://huggingface.co/collections/Scicom-intl/voice-isolator.comでオープンソース化しました。

関連論文リスト

• MemoProAgent: Toward Memory-Driven Proactive Assistance [62.65924263961032]
  MemoProBenchは、メモリ駆動型プロアクティブアシストのベンチマークである。 それは、エゴセントリックなビデオと、年長で気を散らすようなユーザー記憶を合わせたものだ。 トレーニングなしでは、MemoProAgentはQwen3.8-27Bで10%未満から37.5%、GPT-5.3-Chatで38%まで厳格な精度を上げた。
  論文  参考訳（メタデータ） (2026-10-15T21:40:17Z)
• Spotter: Let the Embodied Model Lead, and the VLM Reflect for It [90.10618759230066]
  現行の具体化モデルは、失敗に反応しないが、失敗に終わったことは、次の試みの微調整を知らせる可能性がある。 本稿では,その役割を逆転するSputterを提案する。 GPTにより、Sputterはコスモス政策を5.6ドル、RoboCasaの7.5ポイント改善し、47.2%から57.0%に$_0.5ドルを引き上げている。 VLMはエラーが確認された場合にのみステップするので、Qwenで成功したエピソードは13から13にしかならない。
  論文  参考訳（メタデータ） (2026-09-29T06:21:50Z)
• The Machines Are Calling: Measuring Automated and Synthetic Voices in Unwanted Inbound Calls [8.497127814945147]
  2024年、FCC(連邦通信委員会)は、電話消費者保護法(TCPA)に基づくAI生成音声を提出した。 ピアレビューされた測定では、不要なコールトラフィックがマシンによってどれだけ置かれているかは示されていない。 10,987件の通話が66日間にわたって録音された。
  論文  参考訳（メタデータ） (2026-09-10T06:28:50Z)
• 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)
• Myovox: Reading Speech from the Muscles of the Face [0.0]
  ミオボックスは、発声時の顔の筋肉から記録された31チャンネル表面筋電図(sEMG)から英語のオープン語彙をデコードする。 51.17%のワードエラー率から18.53%までの1つのサブジェクト Emg2speech General Corpus を3つの分離可能な動作で分離して測定する。
  論文  参考訳（メタデータ） (2026-07-15T17:00:41Z)
• Real-Time Voicemail Detection in Telephony Audio Using Temporal Speech Activity Features [1.066048003460524]
  本稿では,事前学習したニューラル音声活動検出器の音声活動パターンから15の時間的特徴を抽出する軽量なアプローチを提案する。 2つの評価セットで合計764の電話録音を行い、96.1%の精度で合成する。
  論文  参考訳（メタデータ） (2026-04-02T17:43:24Z)
• StreamVoiceAnon+: Emotion-Preserving Streaming Speaker Anonymization via Frame-Level Acoustic Distillation [56.49717639074325]
  ストリーミング話者匿名化(SA)における感情コンテンツ保存の課題に対処する。 音響トークン隠蔽状態におけるフレームレベルの感情蒸留と同一話者からのニュートラル感情発話対を用いた教師付き微調整を提案する。 VoicePrivacy 2024プロトコルでは、49.2%のUAR(感情保存)と5.77%のWER(インテリジェンス)を実現している。
  論文  参考訳（メタデータ） (2026-03-06T09:30:20Z)
• 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。