論文の概要: TurnTurk-GPT: Text-Based Turn-Taking Prediction for Turkish
- arxiv url: http://arxiv.org/abs/2610.42010v2
- Date: Tue, 03 Nov 2026 13:46:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.381263
- Title: TurnTurk-GPT: Text-Based Turn-Taking Prediction for Turkish
- Title（参考訳）: TurnTurk-GPT:トルコ語におけるテキストベースのターンタイキング予測
- Abstract要約: TurnTurk-GPT (TurnTurk-GPT) は、トルコのGPT-2モデルを微調整したトルコ語のためのテキストベースのターンテイク予測器である。
実際のトルコ語対ルールベースライン、ゼロショットトルコ語モデル、そして広く使われている多言語語対ターン検出器で評価されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents TurnTurk-GPT, a text-based turn-taking predictor for Turkish obtained by fine-tuning a Turkish GPT-2 model with the TurnGPT objective on synthetic and real dialogue, and evaluates it on real Turkish conversation against rule baselines, a zero shot Turkish language model and a widely used multilingual end-of-turn detector. Evaluation uses word-level decision points on unpunctuated, lower-cased text approximating the output of streaming speech recognisers, recording-disjoint and speaker-disjoint folds, nested threshold selection and paired cluster bootstrap tests. TurnTurk-GPT outperforms the multilingual detector under both recording-disjoint and speaker-disjoint evaluation. Its gain over a zero-shot Turkish language model is largest for speakers seen in training, while on unseen speakers it matches this strong baseline. Removing the suffixes of the turn-final word reduces AP by up to 44%, against 2% for a sentence-internal word, locating the Turkish end-of-turn cue in verb-final morphology. Synthetic dialogue alone yields the weakest trained model, and when a speaker pauses the zero-shot and multilingual baselines remain close to chance. The model and the evaluation protocol are publicly released.
- Abstract（参考訳）: 本稿では,トルコ語GPT-2モデルとトルコ語GPT-2モデルを合成・実対話で微調整したトルコ語ターンテイク予測器であるTurnTurk-GPTについて述べる。
評価では, 音声認識器の出力, 録音解離, 話者解離, ネストしきい値選択, クラスタブートストラップテストの出力を近似した不定小文字の単語レベル決定点を用いる。
TurnTurk-GPT はマルチリンガル検出器よりも、記録解離と話者解離の両方で優れている。
トルコ語をゼロショットにするモデルは、訓練対象の話者にとって最大だが、見当たらない話者にとっては、この強力なベースラインと一致している。
ターン・ファイナル語の接尾辞の除去はAPを最大44%減らし、文内語では2%減らし、動詞・ファイナル・モルフォロジーではトルコ語の終末キューを位置付けする。
合成対話だけで最も訓練されたモデルが得られ、話者がゼロショットと多言語ベースラインを停止した場合は、偶然に近づいたままである。
モデルと評価プロトコルを公開する。
関連論文リスト
- Real-TurnTurk: A Multimodal Turkish Corpus for Turn-Taking Prediction [0.0]
ターンテイクは人間の会話の基本的な組織的特徴であり、自然な同期ダイアログシステムではモデル化が困難である。
本研究では, 話者ごとの音声チャンネル, 時刻順の書き起こしを含む, 未記述のディヤド対話のマルチモーダルなトルコ語データセットを提案する。
論文 参考訳（メタデータ） (2026-08-22T18:29:52Z) - Poster: Exploring the Limits of Audio-Based Detection of Turkish Phone Call Scams [7.5167995904281755]
本研究では,トルコ語における大規模な言語モデルが詐欺検出をどのようにサポートするかを検討する。
我々は,100組の音声書き起こし対のスカムと良心的な会話からなる,最初の公開マルチモーダルデータセットを紹介する。
以上の結果から,書き起こしによる入力は直接音声処理より一貫して優れており,人間の誤りや訂正されていない書き起こしは相容れないことが示唆された。
論文 参考訳（メタデータ） (2026-06-23T12:56:47Z) - Syn-TurnTurk: A Synthetic Dataset for Turn-Taking Prediction in Turkish Dialogues [0.0]
本稿では,様々なQwen Large Language Models(LLM)を用いた合成トルコ語対話データセットであるSyn-TurnTurkを紹介する。
従来型およびディープラーニングアーキテクチャを用いたデータセットの評価を行った。
その結果,高度モデル,特にBI-LSTM と Ensemble (LR+RF) は高い精度 (0.839) とAUCスコア (0.910) を達成できた。
論文 参考訳（メタデータ） (2026-04-15T08:39:26Z) - PRiSM: Benchmarking Phone Realization in Speech Models [70.82595415252682]
音声認識(PR)は言語に依存しない言語間音声処理と音声解析のためのアトミックインタフェースとして機能する。
PRiSMは、音声知覚における盲点を明らかにするために設計された、最初のオープンソースベンチマークである。
論文 参考訳（メタデータ） (2026-01-20T15:00:36Z) - ELEGANCE: Efficient LLM Guidance for Audio-Visual Target Speech Extraction [88.41471266579333]
本稿では,大規模言語モデル(LLM)からの言語知識をAV-TSEモデルに組み込む新しいフレームワークであるELEGANCEを提案する。
2つのAV-TSEバックボーン上でのRoBERTa、Qwen3-0.6B、Qwen3-4Bによる総合的な実験は大幅に改善された。
論文 参考訳（メタデータ） (2025-11-09T08:50:11Z) - RALL-E: Robust Codec Language Modeling with Chain-of-Thought Prompting for Text-to-Speech Synthesis [84.57932472551889]
RALL-Eは、音声合成のための堅牢な言語モデリング手法である。
RALL-Eは、ゼロショットTSのWERを、それぞれ5.6%$(リランクなし)から2.5%$と1.0%$に改善した。
論文 参考訳（メタデータ） (2024-04-04T05:15:07Z) - An investigation of phrase break prediction in an End-to-End TTS system [0.0]
本研究は,TTS(End-to-End Text-to-Speech)システムにおけるリスナー理解を高めるために,外部のフレーズブレーク予測モデルを使用することを検討する。
これらのモデルの有効性は主観的テストにおけるリスナー選好に基づいて評価される。
論文 参考訳（メタデータ） (2023-04-09T04:26:58Z) - Revisiting End-to-End Speech-to-Text Translation From Scratch [48.203394370942505]
E2E (End-to-end speech-to-text translation) はしばしば、音声認識やテキスト翻訳タスクを通じて、そのエンコーダおよび/またはデコーダをソース転写を用いて事前訓練することに依存する。
本稿では,音声翻訳対だけで訓練したE2E STの品質をどの程度改善できるかを考察する。
論文 参考訳（メタデータ） (2022-06-09T15:39:19Z) - On Prosody Modeling for ASR+TTS based Voice Conversion [82.65378387724641]
音声変換において、最新の音声変換チャレンジ(VCC)2020における有望な結果を示すアプローチは、まず、ソース音声を基礎となる言語内容に書き起こすために、自動音声認識(ASR)モデルを使用することである。
このようなパラダイムはASR+TTSと呼ばれ、音声の自然性と変換の類似性において重要な役割を果たす韻律のモデル化を見落としている。
本稿では,ターゲットテキスト予測(TTP)と呼ばれる,ターゲット話者に依存した言語表現から直接韻律を予測することを提案する。
論文 参考訳（メタデータ） (2021-07-20T13:30:23Z) - TurnGPT: a Transformer-based Language Model for Predicting Turn-taking
in Spoken Dialog [2.2716975311837357]
音声対話におけるターンシフトを予測するためのトランスフォーマーベース言語モデルであるTurnGPTを導入する。
このモデルは、様々な文章と音声の対話データセットに基づいて訓練され、評価されている。
論文 参考訳（メタデータ） (2020-10-21T09:58:39Z)
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。