論文の概要: Reading-Level Verification of Kanji Words in Japanese Financial Speech Synthesis
- arxiv url: http://arxiv.org/abs/2610.39168v1
- Date: Thu, 29 Oct 2026 01:58:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 07:37:41.234839
- Title: Reading-Level Verification of Kanji Words in Japanese Financial Speech Synthesis
- Title（参考訳）: 日本語財務音声合成における漢字単語の読解レベル検証
- Abstract要約: 品質ゲートは、各合成文を自動音声認識(ASR)で書き起こし、入力と書き起こしの両方を仮名に変換し、ミスマッチ時に再生することを示す。
そこで本研究では,予測読解値と不確実な代替語を接続性時間分類(CTC)ヒラガナ認識器でスコアし,その代替語が音声をよりよく説明する場合に,単語をフラグする読解レベルチェックを提案する。
- 参考スコア（独自算出の注目度）: 6.276221867349332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot voice cloning makes it cheap to produce daily Japanese financial commentary with several synthetic speakers, but kanji words with more than one reading, such as the word for "market" (shijo vs. ichiba) or "overall trend" (taisei vs. oze), are still misread. A common quality gate transcribes each synthesized sentence with automatic speech recognition (ASR), converts both the input and the transcript to kana, and regenerates on mismatch. We show that this gate is unreliable in both directions: when the audio contains a misreading, the ASR language model frequently writes the expected kanji back, hiding the error, and when the audio is correct, ordinary recognition errors trigger needless regeneration. We propose a reading-level check that scores the expected reading and its confusable alternatives with a connectionist temporal classification (CTC) hiragana recognizer and flags a word when an alternative explains the audio better. On 540 utterances from three voice-cloned production voices covering 30 financial terms, with misreadings injected under controlled conditions, the transcript-based gate detected 78.9% of misreadings at a 44.4% false-alarm rate, whereas the proposed check detected 91.7% at 5.0% (AUC 0.990). On natural kanji input, it caught a front-end error that the transcript-based gate missed for one voice, and reduced regeneration requests from 38.9% to 6.1% of sentences.
- Abstract（参考訳）: 音声のクローン化により、数名の合成話者による日替わりの金融解説が安価になるが、「市場」(四条対市場)や「全傾向」(太政対大瀬)といった複数の読みの漢字はいまだに読まれていない。
共通品質ゲートは、各合成文を自動音声認識(ASR)で書き起こし、入力と書き起こしの両方を仮名に変換し、ミスマッチ時に再生する。
音声に誤読が含まれている場合、ASR言語モデルが期待する漢字を頻繁に書き戻し、誤りを隠蔽し、音声が正しければ、通常の認識誤りが不要な再生を誘導することを示す。
そこで本研究では,予測読解値と不確実な代替語を接続性時間分類(CTC)ヒラガナ認識器でスコアし,その代替語が音声をよりよく説明する場合に,単語をフラグする読解レベルチェックを提案する。
音声閉じた3つの生産音声からの540発の発声では、制御された条件下で誤読が注入され、書き起こしベースのゲートは誤読の78.9%を44.4%で検出し、提案チェックでは91.7%を5.0%(AUC 0.990)で検出した。
自然な漢字入力では、書き起こしベースのゲートが1声で欠落しているというフロントエンドの誤りを捉え、再生要求を38.9%から6.1%に減らした。
関連論文リスト
- Measuring the Verifier's Floor: How Much Apparent Rare-Word Text-to-Speech Error Is ASR Error? [0.2624902795082451]
LibriSpeech と FLEURS では、評価認識器は、人間のスピーチにおいても、非常に稀な単語の33-67%を欠いている。
残りの調整済みエラーの半数は変種を綴じている可能性があるため、リスニングテストが必要である。
論文 参考訳（メタデータ） (2026-10-22T15:59:54Z) - 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) - 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) - Automated Pronunciation Evaluation for Korean Toddler Speech using Speech Diarization and Self-Supervised Learning [0.0]
音声障害は韓国の小児コミュニケーション障害の約44%に影響を及ぼす。
本稿では,韓国の幼児音声の自動発音評価のためのエンドツーエンドパイプラインを提案する。
論文 参考訳（メタデータ） (2026-06-08T22:07:59Z) - TimeStampEval: A Simple LLM Eval and a Little Fuzzy Matching Trick to Improve Search Accuracy [0.0]
TimeStampEvalは、非バーバティムな引用を与えられた長い書き起こしから正確にミリ秒のタイムスタンプを取得するためのベンチマークである。
簡単な2段階法では,推論コストを90%以上削減しながら,検索精度を劇的に向上させる。
モチベーションのユースケースは、議会記録のクリップをAIがホストする動詞のナレーションにまとめる、自動化されたロングフォームポッドキャストである。
論文 参考訳（メタデータ） (2025-10-27T21:54:56Z) - Building Tailored Speech Recognizers for Japanese Speaking Assessment [6.152272170188488]
我々はアクセントマーカーで音声ラベルを出力する音声認識器を構築した。
日本語は資源に富んでいるが、正確な音素の書き起こしを行うための訓練用データはほとんどない。
論文 参考訳（メタデータ） (2025-09-25T01:26:11Z) - Languages in Multilingual Speech Foundation Models Align Both Phonetically and Semantically [58.019484208091534]
事前訓練された言語モデル(LM)における言語間アライメントは、テキストベースのLMの効率的な転送を可能にしている。
テキストに基づく言語間アライメントの発見と手法が音声に適用されるかどうかについては、未解決のままである。
論文 参考訳（メタデータ） (2025-05-26T07:21:20Z) - Error Correction by Paying Attention to Both Acoustic and Confidence References for Automatic Speech Recognition [52.624909026294105]
本稿では,非自己回帰型音声誤り訂正法を提案する。
信頼モジュールは、N-best ASR仮説の各単語の不確実性を測定する。
提案方式は,ASRモデルと比較して誤差率を21%削減する。
論文 参考訳（メタデータ） (2024-06-29T17:56:28Z) - Lenient Evaluation of Japanese Speech Recognition: Modeling Naturally
Occurring Spelling Inconsistency [8.888638284299736]
我々は,語彙資源,日本語テキスト処理システム,ニューラルマシン翻訳モデルの組み合わせを用いて,参照転写の可塑性レスペリングの格子を作成する。
提案手法は,単語の有効な代替綴りを選択するシステムにペナルティを課さないため,タスクに応じてCERを2.4%～3.1%削減する。
論文 参考訳（メタデータ） (2023-06-07T15:39:02Z) - 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。