論文の概要: From Voiceprints to User Entities: Online Speaker-Memory Construction for Multi-User Spoken Agents

• arxiv url: http://arxiv.org/abs/2610.36713v1
• Date: Tue, 27 Oct 2026 06:27:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.527935
• Title: From Voiceprints to User Entities: Online Speaker-Memory Construction for Multi-User Spoken Agents
• Title（参考訳）: 音声プリントからユーザエンティティへ:マルチユーザ音声エージェントのためのオンライン話者記憶構築
• Abstract要約: EvoSpeakerMemは、因果話者ルーティングのためのトレーニング不要層である。 LoCoMo-IDは、話者の身元を隠した音声メモリのベンチマークである。
• 参考スコア（独自算出の注目度）: 9.859194096252155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized spoken agents must identify speakers before accessing user-specific memory, yet memory benchmarks typically assume correctly attributed histories. We argue that voiceprints are observations of identity, not identities themselves, and formulate online speaker-memory construction to maintain persistent user entities as acoustic evidence evolves. We introduce EvoSpeakerMem, a training-free layer for causal speaker routing, selective acoustic-state updates, and identity-partitioned memory writes and retrieval through a replaceable text-memory backend. We also construct LoCoMo-ID, a spoken-memory benchmark with hidden speaker identities, speaker-sensitive queries, simulated recording-condition shifts, and four-speaker identity-confusion tests. On longitudinal SMIIP-TV, genuine-probe rejection under a frozen near-enrollment threshold rises from 29.8% to 55.6% over approximately one year. On LoCoMo-ID speaker-sensitive queries, gated updating improves identity-gated QA over fixed representations by 3.86 and 11.62 percentage points under clean and shifted conditions, respectively, with no wrong-user authorizations. The advantage persists in the four-speaker test. Yet reducing fragmentation and improving QA can coexist with incorrect cross-user links, revealing a fragmentation--contamination trade-off that QA alone cannot capture.
• Abstract（参考訳）: パーソナライズされた音声エージェントは、ユーザ固有のメモリにアクセスする前に話者を特定する必要があるが、メモリベンチマークは通常、正しく属性付けられた履歴を仮定する。 音声プリントはアイデンティティそのものではなくアイデンティティの観察であり、アコースティックエビデンスの発展に伴って持続的なユーザエンティティを維持するためにオンライン話者メモリの構築を定式化している、と我々は主張する。 EvoSpeakerMemは、因果的話者ルーティング、選択的音響状態更新、および置換可能なテキストメモリバックエンドによるID分割メモリ書き込みと検索のためのトレーニング不要層である。 また、LoCoMo-ID、隠れた話者識別、話者感受性クエリー、シミュレートされた記録条件シフト、および4話者ID融合テストを備えた音声メモリベンチマークを構築した。 縦方向のSMIIP-TVでは、凍結した近接学習閾値の下での真プロブの拒絶は、約1年間で29.8%から55.6%に上昇する。 LoCoMo-ID話者に敏感なクエリでは、ゲート更新により、修正された表現に対するID付きQAが3.86ポイント、シフトした条件下で11.62ポイント改善される。 アドバンテージは4つの話者テストで持続する。 しかし、フラグメンテーションの削減とQAの改善は、誤ったクロスユーザーリンクと共存し、QAだけでは取得できないフラグメンテーション-汚染トレードオフを明らかにする。

関連論文リスト

• DuplexLedger: Benchmarking Transactional Memory in Full-Duplex Speech Agents [52.50536965397534]
  フルメモリ音声エージェントは、リスニングと会話を継続的に更新する必要がある。 強い制御とコヒーレントなコヒーレントステートメモリを組み合わせたシステムは存在しない。 本稿では,型付きレトリバーを備えたイベントコントローラACTMemを提案する。
  論文  参考訳（メタデータ） (2026-10-20T03:47:06Z)
• SPARC: Spoken Profile Authorship Recognition Corpus [67.47562370164141]
  書き起こされた音声のペアワイズ話者と人口統計属性の検証について検討する。 ベンチマークは、2つのポッドキャストコーパスから作成され、12,500人以上のスピーカー、1.5Mの質の発話、および性別、年齢、アクセントのための話者レベルの推論またはソースが提供するラベルで構成されている。
  論文  参考訳（メタデータ） (2026-10-18T13:34:23Z)
• PERSIST: Who-What-When Memory Across Sessions for Full-Duplex Spoken Dialogue [9.3254565209625]
  PerSISTはマルチセッション多話者音声対話のための永続記憶システムである。 PerSIST構造は、セッション履歴を読み取り可能なイベントレコードに分割し、3Wのジョイントスコアリング機構でそれらを検索する。
  論文  参考訳（メタデータ） (2026-10-06T04:21:11Z)
• Who Said What, and Will It Be Remembered? Evaluating Persistent Speaker Attribution Across Meetings [1.529342790344802]
  話者識別cpWER(SI-cpWER)による持続話者属性の評価 このベンチマークでは、CiME-8 NOTSOFARとCHiME-6の5つの市販のダイアリゼーション(Diarize-then-identify)カスケード、2つのオープンな学術ベースライン、そしてTyVoiceの完全な129ミーティングCHiME-8 NOTSOFARの評価をカバーしている。 ThyVoiceは私たちのエンドツーエンドのリファレンスシステムで、オーバーラップを修復し、ボイスプリントの作成と更新に使用する証拠をゲートします。
  論文  参考訳（メタデータ） (2026-09-30T09:09:17Z)
• CoLMbo-SV: A Grounded Language Model for Explainable Speaker Verification [54.830557377967274]
  我々は,強い話者識別と構造的,音響的な比較報告を組み合わせた話者言語モデルであるtextbfCoLMbo-SVを提案する。 事前訓練された話者エンコーダを言語モデルに接続し、明示的な音響測定を提供することにより、CoLMbo-SVは、その報告で発声された証拠に対する検証を制限することなく、音声比較を検査できるようにする。
  論文  参考訳（メタデータ） (2026-09-27T04:51:53Z)
• Forget who you Forgot: Speaker Unlearning to Prevent Re-Identification in Zero-Shot Text-to-Speech [11.403799406671075]
  GUARDは軽量な話者識別アンラーニングフレームワークである。 学習したスピーカーゲートと、凍ったTSバックボーンにスピーカー非依存のアクティベーションステアリングを組み合わせる。 CosyVoice2 では、GUARD は 0.541 から 0.103 に類似度を減らし、150 個のギャラリーで再識別精度を 73.5% から 0.5% に下げている。
  論文  参考訳（メタデータ） (2026-09-23T06:00:38Z)
• HEAR Who Said What: Unlocking Speaker-Attributed Reasoning via Counterfactual Voice Grounding [54.365959989048406]
  音声言語モデル(SLM)は、ますますマルチスピーカー環境にデプロイされている。 しかし、音声を正しい話者とみなし、話者の身元を判断する能力は、いまだに不明である。 本稿では,話者対応推論の基礎的能力を診断するベンチマークHEARを紹介する。 A2Rは、話者レベルのハードな負を持つ非現実的オーディオに最適化された30Bモデルである。
  論文  参考訳（メタデータ） (2026-08-29T08:01:20Z)
• 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)
• DeID-VC: Speaker De-identification via Zero-shot Pseudo Voice Conversion [0.0]
  DeID-VCは、実際の話者を擬似話者に変換する話者識別システムである。 PSGの助けを借りて、DeID-VCは独自の擬似話者を話者レベルや発話レベルに割り当てることができる。
  論文  参考訳（メタデータ） (2022-09-09T21:13:08Z)
• FastAudio: A Learnable Audio Front-End for Spoof Speech Detection [1.5984927623688914]
  話者認証システムは、偽造攻撃から保護するために必要である。 本稿では,下流タスクとの共同学習による音声表現を学習可能なフロントエンドと比較する。 我々は,固定フィルタバンクを学習可能なレイヤに置き換えて,アンチスプーフィングタスクへの適応性を高めることを提案する。
  論文  参考訳（メタデータ） (2021-09-06T23:32:10Z)

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。