論文の概要: Pronunciation-Supervised Text-to-Speech for Irish (Gaeilge)
- arxiv url: http://arxiv.org/abs/2610.38384v1
- Date: Wed, 28 Oct 2026 07:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 18:05:42.105939
- Title: Pronunciation-Supervised Text-to-Speech for Irish (Gaeilge)
- Title（参考訳）: アイルランド語 (Gaeilge)
- Abstract要約: 我々はQwen3-TTSを12.8時間のクラウドソーシング・コモン・ボイス・スピーチを用いてアイルランド語に適応させる。
ウィキオンリーの発音記録を辞書と音素評論家にまとめる。
同じ批評家は、なぜこの声が少数派の方言にまだ当てはまらないのかを説明している。
- 参考スコア（独自算出の注目度）: 0.8655507799205296
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Speech technology for Irish must be built from very little transcribed speech, yet the language's pronunciation is thoroughly documented in dictionaries and dialect descriptions. We ask whether that documentation can supervise the adaptation of a large pretrained text-to-speech model to a language it was never trained on. We adapt Qwen3-TTS to Irish using 12.8 hours of crowdsourced Common Voice speech, correcting two defects in the vendor fine-tuning script that training loss does not reveal (Appendix A), and reach character error rate (CER) 0.225 on held-out cross-corpus text, against 0.397 for an exhaustively tuned from-scratch system and 0.437 for zero-shot cloning. We then compile the Wiktionary pronunciation record into a lexicon and a phoneme critic, and use that critic as the verifier in one round of rejection fine-tuning: CER 0.159 cross-corpus and 0.067 in-domain, with the voice still anonymous across all 202 training speakers. The same critic explains why the voice cannot yet be steered to a minority dialect: 229 of 12,311 training clips lean Ulster against 8,451 Munster. Pronunciation documentation, converted into a verifier, is a practical lever for low-resource speech synthesis, and a way to measure what the available data cannot support.
- Abstract（参考訳）: アイルランド語のための音声技術は非常に少ない書き起こされた音声から構築されなければならないが、言語の発音は辞書や方言の記述で完全に文書化されている。
我々は、このドキュメンテーションが、トレーニングされていない言語への大規模な事前訓練されたテキスト音声モデルの適応を監督できるかどうかを問う。
我々はQwen3-TTSを12.8時間のクラウドソースによる共通音声音声でアイルランド語に適応させ、トレーニング損失が明らかにならない(Appendix A)ベンダーの微調整スクリプトの2つの欠陥を修正し、ホールドアウトしたクロスコーパステキストで文字誤り率(CER)0.225に達する。
次に、Wiktionaryの発音記録を辞書と音素批評家にコンパイルし、その批評家を1ラウンドの拒否微調整で検証する: CER 0.159 クロスコーパスと0.067 ドメインで、音声は202の訓練話者すべてでまだ匿名である。
12,311の訓練クリップのうち229本は、8,451Munsterに対してUlsterに傾いている。
検証器に変換された発音文書は、低リソース音声合成のための実用的なレバーであり、利用可能なデータがサポートできないものを測定する方法である。
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) - KIT's Submission to Cross-Lingual Voice Cloning in IWSLT 2026 [61.29502937013759]
言語間音声のクローニングは、ソース言語参照から話者識別を保ちながら、ターゲット言語で音声を生成することを目的としている。
鍵となる課題は、アクセントの変化とドメイン固有の語彙の存在において、知性と自然性を維持することである。
我々は、多言語テキスト音声モデル、FishAudio-S2-Proを構築し、言語制御を改善しアクセントリークを低減するために、言語タグプロンプトを導入する。
論文 参考訳（メタデータ） (2026-06-05T13:09:21Z) - 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) - Towards spoken dialect identification of Irish [5.1121440213561335]
アイルランド語は方言やアクセントの多様性に富んでいる。
アイルランド語ASRの方言バイアスを研究する最近の研究によると、アルスター方言のパフォーマンスはコンナヒト方言やマンスター方言よりも一貫して劣っている。
本研究では,アイルランド語の方言識別について検討し,そのようなシステムを音声認識パイプラインに組み込むことを目的とした。
論文 参考訳（メタデータ） (2023-07-14T16:03:09Z) - Leveraging supplementary text data to kick-start automatic speech
recognition system development with limited transcriptions [14.966282057980543]
最近の研究では、10分間の書き起こしだけで自動音声認識モデル(ASR)を微調整できる可能性が示唆されている。
我々は,ASR復号化を可能語に制約する辞書を作成するために,異なる量のテキストデータを使用することについて検討する。
すべての言語に対して,レキシコンのみを用いることで,ASRの性能は向上しなかった。
論文 参考訳（メタデータ） (2023-02-09T23:30:49Z) - 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) - Correcting Misproducted Speech using Spectrogram Inpainting [15.565673574838934]
本稿では, 誤り発生時の正しい発音フィードバックを合成的に生成する手法を提案する。
システムは、ユーザにフレーズを発音するよう促す。音声は記録され、不正確な音素に関連するサンプルはゼロでマスクされる。
その結果,人間の聞き手は,不正確な音素を異なる話者に置き換えるよりも,生成した音声をわずかに好んでいることが示唆された。
論文 参考訳（メタデータ） (2022-04-07T11:58:29Z) - 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) - GigaSpeech: An Evolving, Multi-domain ASR Corpus with 10,000 Hours of
Transcribed Audio [88.20960848885575]
GigaSpeechは英語の多分野音声認識コーパスで、教師あり訓練に適した高品質なラベル付きオーディオが1万時間ある。
約4万時間の音声が、まずオーディオブック、ポッドキャスト、YouTubeから収集され、読み書きと自発的な話し方の両方をカバーする。
システムトレーニングのために、GigaSpeechは10h, 250h, 1000h, 2500h, 10000hの5つのサブセットを提供する。
論文 参考訳（メタデータ） (2021-06-13T04:09:16Z) - 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) - UniSpeech: Unified Speech Representation Learning with Labeled and
Unlabeled Data [54.733889961024445]
ラベル付きデータとラベル付きデータの両方を用いて音声表現を学習するためのUniSpeechという統合事前学習手法を提案する。
公立CommonVoiceコーパス上での言語間表現学習におけるUniSpeechの有効性を評価する。
論文 参考訳（メタデータ） (2021-01-19T12:53:43Z)
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。