論文の概要: ufakzeka-kulak: Building and Evaluating a 31.6M-Parameter Turkish Speech Recognizer from Scratch
- arxiv url: http://arxiv.org/abs/2611.03605v1
- Date: Mon, 02 Nov 2026 18:42:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.635454
- Title: ufakzeka-kulak: Building and Evaluating a 31.6M-Parameter Turkish Speech Recognizer from Scratch
- Title（参考訳）: ウフクゼカ・クラク : スクラッチから31.6万パーラメートルのトルコ語音声認識システムの構築と評価
- Abstract要約: ufakzeka-kulakは31.6Mパラメータのオープンなトルコ語音声テキストモデルである。
文字はトルコ語で句読まれ、数字は言葉で書かれている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: ufakzeka-kulak is an open Turkish speech-to-text model of 31.6M parameters, a FastConformer encoder with a token-and-duration transducer (TDT) and a CTC head, trained from scratch and released under Apache-2.0. It writes cased, punctuated Turkish with numbers as words. Its 4,977 training hours come from sources whose licences allow commercial use; 281 hours are human-transcribed, and for the other 4,696 the training text is an uploader subtitle or a machine transcript, kept only where a second, independent reading of the audio agrees with it. The recipe, checkpoint, labelling and export choices were made on development data, and the test sets were scored once, in a release gate fixed before training. With greedy TDT decoding the normalised word error rate (WER) is 0.0921 (95 percent interval 0.0792 to 0.1055) on FLEURS Turkish test and 0.0916 (0.0873 to 0.0958) on Common Voice 27.0 Turkish test, lower than Whisper base and Whisper small on both sets with paired intervals wholly below zero; Whisper large-v3 (greedy) scores 0.0604 and 0.0767. On conversational speech the WER is 0.3807. We also report punctuation and casing, degraded audio, and how closely each shipped export reproduces the trained model.
- Abstract（参考訳）: ufakzeka-kulakは31.6Mパラメータとトークン・アンド・デュレーション・トランスデューサ(TDT)とCTCヘッドを備えたFastConformerエンコーダで、スクラッチからトレーニングされ、Apache-2.0でリリースされている。
文字はトルコ語で句読まれ、数字は言葉で書かれている。
訓練時間は4,977時間であり、ライセンスが商業的使用を可能にする。281時間は人間書き起こされ、その他の4,696時間については、トレーニングテキストはアップロードされたサブタイトルまたは機械書き起こしであり、第2の独立したオーディオ読影がそれと一致する場所だけを保持する。
レシピ,チェックポイント,ラベル付け,輸出の選択は開発データに基づいて行われ,テストセットはトレーニング前に固定されたリリースゲートで1回獲得された。
正規化単語誤り率(WER)は、FLEURSトルコテストでは0.0921(95%間隔0.0792から0.1055)、Common Voice 27.0トルコテストでは0.0916(0.0873から0.0958)、Whisperベースより低く、Whisper小文字は0以下で、Whisper大文字(greedy)スコアは0.0604と0.0767である。
会話音声では、WERは0.3807である。
また, 句読とケーシング, 劣化した音声, 輸出された各輸出品がいかに訓練されたモデルを再現するかを報告する。
関連論文リスト
- Pronunciation-Supervised Text-to-Speech for Irish (Gaeilge) [0.8655507799205296]
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。
論文 参考訳（メタデータ） (2026-10-28T07:21:45Z) - One Mean Log-Mel Vector per Phoneme: Simple and Fast Text Injection for Speech Recognition [31.32847750271014]
テキストインジェクションは、ペアの音声とペアのテキストで音声認識モデルを訓練する。
我々は,テキストから合成した音声エンコーダをフィードし,モデル全体がそこから学習する。
トレーニングはニューラルTSよりも1.8倍高速で、単語エラー率に匹敵する。
論文 参考訳（メタデータ） (2026-10-25T22:43:34Z) - 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) - ufakzeka-1: Building and Evaluating a 151M-Parameter Turkish Language Model from Scratch [0.0]
ufakzeka-1 は 151M-パラメータ (182M) で、デコーダのみのトルコ語モデルで13.5B のトークンでスクラッチから事前訓練された。
1ワードあたり1.77トークンのトルコのバイトレベルのトークンライザ、3段階の事前訓練スケジュール、オープンライセンスと生成されたデータのトレーニング後の混合、リリースゲートの評価バッテリ、ルールチェックによる5,508の会話、判断された会話と手動テスト、これらはすべてトレーニングデータから保持されたプロンプトで、データビルド内とチェック--によって強制される。
論文 参考訳（メタデータ） (2026-09-18T20:33:02Z) - Tone on a Budget: A Reference-Free Metric for Lexical Tone in Massively Multilingual Text-to-Speech [0.0]
ヨルブでは、ピッチ単独でドクド(夫、中)、ドクド(車、低)、ドクド(馬、高)を分離する。
自動レファレンスフリーのレキシカル-トーン計量であるDunDunを紹介する。
論文 参考訳（メタデータ） (2026-09-13T22:18:35Z) - Praxy Voice: Voice-Prompt Recovery + BUPS for Commercial-Class Indic TTS from a Frozen Non-Indic Base at Zero Commercial-Training-Data Cost [0.0]
商用TTSシステムは、ほぼネイティブなIndicオーディオを生成するが、最良のオープンソースベースは、測定された音韻次元でそれらを追従する。
私たちは、Telugu、Tamil、Hindiの商用クラスアウトプットにこのような非インデックスネイティブベースをもたらす、最小限の介入は、どのようなものなのでしょうか?
BUPS(Brahmic Unified Phoneme Space)は7つのIndicスクリプトを決定論的にISO-15919にロマライズし、Chatterboxのラテントークンサがそれらを処理できるようにする。
論文 参考訳（メタデータ） (2026-04-28T09:50:01Z) - Qwen3-TTS Technical Report [64.94647392030824]
本稿では,Qwen3-TTSシリーズについて述べる。
Qwen3-TTSは最先端の3秒間音声クローニングと記述ベースの制御をサポートする。
Qwen3-TTSは、2つの音声トークンとともに、リアルタイム合成のためのデュアルトラックLMアーキテクチャを採用している。
論文 参考訳（メタデータ） (2026-01-22T03:51:43Z) - TransFace: Unit-Based Audio-Visual Speech Synthesizer for Talking Head
Translation [54.155138561698514]
音声から音声への直接翻訳は、自己教師付き学習から得られる離散単位を導入することにより、高品質な結果が得られる。
既存の方法は常にカスケードに依存し、音声とテキストの両方を通して合成し、遅延やカスケードエラーを引き起こす。
本稿では,音声-視覚音声を他の言語で直接音声-視覚音声に翻訳できる,頭部翻訳モデルである textbfTransFace を提案する。
論文 参考訳（メタデータ） (2023-12-23T08:45:57Z) - Code-Switching Text Generation and Injection in Mandarin-English ASR [57.57570417273262]
業界で広く使われているストリーミングモデルTransformer-Transducer(T-T)の性能向上のためのテキスト生成とインジェクションについて検討する。
まず、コードスイッチングテキストデータを生成し、テキスト-to-Speech(TTS)変換または暗黙的に音声とテキストの潜在空間を結び付けることによって、T-Tモデルに生成されたテキストを明示的に注入する戦略を提案する。
実際のマンダリン・イングリッシュ音声の1,800時間を含むデータセットを用いて訓練したT-Tモデルの実験結果から,生成したコードスイッチングテキストを注入する手法により,T-Tモデルの性能が著しく向上することが示された。
論文 参考訳（メタデータ） (2023-03-20T09:13:27Z) - 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) - "Listen, Understand and Translate": Triple Supervision Decouples
End-to-end Speech-to-text Translation [49.610188741500274]
エンドツーエンドの音声テキスト翻訳(ST)は、ソース言語で音声を取り、ターゲット言語でテキストを出力する。
既存の方法は並列コーパスの量によって制限される。
並列STコーパスで信号を完全に活用するシステムを構築した。
論文 参考訳（メタデータ） (2020-09-21T09:19:07Z)
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。