論文の概要: The Importance of Speech Genre for End-of-Turn Detector Training

• arxiv url: http://arxiv.org/abs/2610.39742v1
• Date: Thu, 29 Oct 2026 10:05:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.074303
• Title: The Importance of Speech Genre for End-of-Turn Detector Training
• Title（参考訳）: 終端検知器訓練における音声ジェネアの重要性
• Abstract要約: EoT(End-of-turn)検出は、主に特徴、モデル、モダリティによって研究されているが、トレーニングデータの音声ジャンルは、はるかに少ない関心を集めている。 我々は、一致したコーパス、多ターン人間対、単ターン人間マシンを構築し、それぞれに同じストリーミングConvLSTM EoT検出器をトレーニングする。 4つのテストセットにまたがって、会話モデルは+0.45以上のF1に達する。
• 参考スコア（独自算出の注目度）: 9.561952052080027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: End-of-turn (EoT) detection has been studied mostly through features, models, and modalities, while the speech genre of the training data has drawn far less attention. We isolate this factor. Using one reproducible annotation pipeline, we build a matched pair of corpora, multi-turn human-human conversational and single-turn human-machine, and train the same streaming ConvLSTM EoT detector on each. Across four test sets the conversational model reaches up to +0.45 higher F1, driven by fewer false alarms on the mid-turn pauses and hesitations that are rare in single-turn corpora. This conversational-training effect is not specific to frame-level decoding. Under a matched complete-or-not test it also appears at the utterance level, across two encoders, but only on conversational test data. Testing only on single-turn speech, as most prior work does, therefore hides the benefit of conversational training data. Against open-source baselines, our 1.8M-parameter model attains the highest F1 on every test set.
• Abstract（参考訳）: EoT(End-of-turn)検出は、主に特徴、モデル、モダリティによって研究されているが、トレーニングデータの音声ジャンルは、はるかに少ない関心を集めている。 私たちはこの因子を分離する。 再現可能な1つのアノテーションパイプラインを用いて、一致したコーパス、多ターン人間対、単ターン人間マシンを構築し、それぞれに同じストリーミングConvLSTM EoT検出器をトレーニングする。 4つのテストセットにまたがって、会話モデルは最大で+0.45高いF1に達する。 この会話学習効果はフレームレベルの復号化に特化しない。 一致した完全または無テストの下では、2つのエンコーダにまたがる発話レベルにも現れるが、会話テストデータのみに限られる。 シングルターン音声のみをテストする場合、ほとんどの作業がそうであるように、会話のトレーニングデータの利点を隠蔽する。 オープンソースベースラインに対して、私たちの1.8Mパラメータモデルは、テストセット毎に最も高いF1を獲得します。

関連論文リスト

• TurnWise: The Gap between Single- and Multi-turn Language Model Capabilities [57.865325277036455]
  我々は、シングルターンチャット評価と直接比較できるマルチターン機能のための新しいベンチマークであるTurnWiseEvalを導入する。 また、マルチターントレーニングデータのスケーラブルな生成を可能にする合成マルチターンデータパイプラインであるTurnWiseDataについても紹介する。 Olmo 3 を用いた実験により,マルチターンデータによるトレーニングが,マルチターンチャットの性能向上に不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-17T16:40:35Z)
• TouchASP: Elastic Automatic Speech Perception that Everyone Can Touch [15.001750645731162]
  大規模自動音声認識(ASR)モデルは、トレーニングプロセス中に大量のパラメータ、大量のデータ、重要な計算資源を必要とする。 本稿では,eMoEモデルの弾性混合モデルを提案する。このモデルを一度だけ訓練し,デプロイ要求に応じて弾性的に拡張することができる。 これら2つの手法を用いて,SpeechIOテストセットのキャラクタエラー率(CER)を4.98%から2.45%に低減し,弾力的展開を実現する。
  論文  参考訳（メタデータ） (2024-12-20T07:28:04Z)
• Gibberish is All You Need for Membership Inference Detection in Contrastive Language-Audio Pretraining [3.7144455366570055]
  既存のMIAは入力としてオーディオを必要とし、音声プリントの露出を危険にさらし、コストのかかるシャドウモデルを必要とする。 我々はまず,CLAPが与える会員推論検出に基づく確率ランキングである PRMID を提案し,訓練シャドウモデルを必要としない。 次に,テキストデータのみを用いて対象モデルを問合せする一助話者レベルメンバシップ推定器USMIDを提案する。
  論文  参考訳（メタデータ） (2024-10-24T02:26:57Z)
• X-TURING: Towards an Enhanced and Efficient Turing Test for Long-Term Dialogue Agents [56.64615470513102]
  チューリングテストは、自然言語の会話においてAIが人間のような振る舞いを示すかどうかを調べる。 従来の設定では、各参加者は一度に1つのメッセージに制限される。 本稿では,textitburstダイアログパターンを用いて,元のテストを強化するtextbftextscX-Turingを提案する。
  論文  参考訳（メタデータ） (2024-08-19T09:57:28Z)
• Perception Test: A Diagnostic Benchmark for Multimodal Video Models [78.64546291816117]
  本稿では,事前学習したマルチモーダルモデルの知覚と推論能力を評価するために,新しいマルチモーダルビデオベンチマークを提案する。 知覚テストは、スキル(記憶、抽象化、物理学、セマンティックス)と、ビデオ、オーディオ、テキストモダリティ間の推論(記述的、説明的、予測的、反ファクト的)のタイプに焦点を当てている。 このベンチマークは、ゼロショット/少数ショットまたは限定的な微調整方式で、転送機能の事前訓練されたモデルを探索する。
  論文  参考訳（メタデータ） (2023-05-23T07:54:37Z)
• SpeechUT: Bridging Speech and Text with Hidden-Unit for Encoder-Decoder Based Speech-Text Pre-training [106.34112664893622]
  本稿では,音声エンコーダとテキストデコーダの表現を共有単位エンコーダに接続する,統一モーダル音声単位テキスト事前学習モデルであるSpeechUTを提案する。 提案するSpeechUTは,自動音声認識(ASR)と音声翻訳(ST)タスクに基づいて微調整および評価を行う。
  論文  参考訳（メタデータ） (2022-10-07T17:57:45Z)
• Improving Deliberation by Text-Only and Semi-Supervised Training [42.942428288428836]
  本稿では,テキストのみによる半教師付きトレーニングを,注意に基づく検討モデルに取り入れることを提案する。 基準検討と比較して, WER の 4%-12% 削減を実現している。 また, 検討モデルにより, 肯定的な評価がもたらされることが示唆された。
  論文  参考訳（メタデータ） (2022-06-29T15:30:44Z)
• Enhanced Direct Speech-to-Speech Translation Using Self-supervised Pre-training and Data Augmentation [76.13334392868208]
  直接音声音声変換(S2ST)モデルは、データ不足の問題に悩まされる。 本研究では,この課題に対処するために,ラベルのない音声データとデータ拡張を用いた自己教師付き事前学習について検討する。
  論文  参考訳（メタデータ） (2022-04-06T17:59:22Z)
• JETS: Jointly Training FastSpeech2 and HiFi-GAN for End to End Text to Speech [7.476901945542385]
  本稿では、簡易な訓練パイプラインを持ち、個別に学習したモデルのカスケードを上回り、エンドツーエンドのテキスト音声合成(E2E-TTS)モデルを提案する。 提案モデルでは,アライメントモジュールを用いたFastSpeech2とHiFi-GANを併用する。 LJSpeechコーパスの実験では、提案されたモデルはESPNet2-TTSの最先端実装よりも優れていた。
  論文  参考訳（メタデータ） (2022-03-31T07:25:11Z)

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。