論文の概要: Fine-Tuning a Transducer for Impaired Speech: Where the Gains Appear and What They Mean for Evaluation

• arxiv url: http://arxiv.org/abs/2611.07587v1
• Date: Thu, 05 Nov 2026 07:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.583836
• Title: Fine-Tuning a Transducer for Impaired Speech: Where the Gains Appear and What They Mean for Evaluation
• Title（参考訳）: 障害のある音声の変換器の微調整 : 音の利得と評価方法
• Abstract要約: 音声認識は、ALS、パーキンソン病、脳性麻痺、ダウンシンドローム、脳卒中などの症状を持つ多くの人々にとって依然として不十分である。 我々は,音声アクセシビリティプロジェクトチャレンジ2(SAPC2)に参加した。 私たちのベストエントリーは、2つの隠れテストセットの最初のテストであるTest1で7.81%の文字エラー率を記録しました。
• 参考スコア（独自算出の注目度）: 3.227500859803477
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Speech recognition still works poorly for many people whose speech is affected by conditions such as ALS, Parkinson's disease, cerebral palsy, Down syndrome or stroke. We took part in the Speech Accessibility Project Challenge 2 (SAPC2) with a public speech recognizer that we fine-tuned on the challenge data. Our best entry scored 7.81% character error rate on Test1, the first of two hidden test sets (official baseline 15.26%). Our live entries ran on CPUs with a combined median latency of about 0.9 seconds at 7.96-8.07% error. On new speakers, fine-tuning reduced errors most for the speakers that an off-the-shelf recognizer finds hardest to understand. Sentences already seen in training had far lower error rates than new ones (2.58% vs 6.42%), a larger difference than being a familiar speaker made. We close with lessons for evaluating such systems.
• Abstract（参考訳）: 音声認識は、ALS、パーキンソン病、脳性麻痺、ダウンシンドローム、脳卒中などの症状に影響を及ぼす多くの人々にとって、依然としてうまく機能しない。 我々は,音声アクセシビリティプロジェクトチャレンジ2(SAPC2)に参加した。 私たちのベストエントリーは、2つの隠れテストセット(公式のベースライン15.26%)の最初のテストであるTest1で7.81%の文字エラー率を記録しました。 ライブエントリはCPU上で動作し、中央値のレイテンシは7.96-8.07%のエラーで0.9秒程度でした。 新しいスピーカーでは、細調整でエラーを減らし、既成の認識器が理解するのが一番難しい。 トレーニングですでに見られる文は、新しい文よりもはるかにエラー率が低く(2.58%対6.42%)、慣れ親しんだ話者よりも大きな差があった。 我々はそのようなシステムを評価するための教訓に近づいた。

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)
• A Probe Shift Is Not a Fairness Fix: The Limits of Representation Steering in Speech Models [9.715150075665354]
  我々は、事前訓練されたASRエンコーダから線形に読み取れる話者リンク属性が、グループ単語エラー率のギャップを減らすのに有用な方向を与えるかどうかを問う。 本研究は,表現,伝播,タスクレベルでの発話バイアス介入の評価を動機づけるものである。
  論文  参考訳（メタデータ） (2026-09-16T12:01:30Z)
• 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)
• Adversarial Training For Low-Resource Disfluency Correction [50.51901599433536]
  ディフルエンシ補正(DC)のための逆学習型シーケンスタグ付けモデルを提案する。 提案手法の利点は,3つのインド語でDCに対して評価することで,合成された非流動データに大きく依存することを示す。 また,本手法は,音声障害によって導入されたASR文字の破面的不一致の除去にも有効である。
  論文  参考訳（メタデータ） (2023-06-10T08:58:53Z)
• ASR Error Detection via Audio-Transcript entailment [1.3750624267664155]
  音声書き起こしエンターメントを用いたASR誤り検出のためのエンドツーエンドアプローチを提案する。 提案モデルでは,音響エンコーダと言語エンコーダを用いて,それぞれ音声と転写をモデル化する。 提案モデルでは,すべての転写誤りに対して26.2%,医学的誤りに対して23%の分類誤り率(CER)を達成し,それぞれ12%と15.4%の強い基準値を改善することができた。
  論文  参考訳（メタデータ） (2022-07-22T02:47:15Z)
• Speaker Identity Preservation in Dysarthric Speech Reconstruction by Adversarial Speaker Adaptation [59.41186714127256]
  変形性音声再建(DSR)は,変形性音声の品質向上を目的としている。 話者識別に最適化された話者エンコーダ (SE) について検討した。 我々は,新しいマルチタスク学習戦略,すなわち対人話者適応(ASA)を提案する。
  論文  参考訳（メタデータ） (2022-02-18T08:59:36Z)
• Investigation of Data Augmentation Techniques for Disordered Speech Recognition [69.50670302435174]
  本稿では,不規則音声認識のための一連のデータ拡張手法について検討する。 正常な音声と無秩序な音声の両方が増強過程に利用された。 UASpeechコーパスを用いた最終話者適応システムと、最大2.92%の絶対単語誤り率(WER)の速度摂動に基づく最良の拡張アプローチ
  論文  参考訳（メタデータ） (2022-01-14T17:09:22Z)
• Wav2vec-Switch: Contrastive Learning from Original-noisy Speech Pairs for Robust Speech Recognition [52.71604809100364]
  音声の文脈化表現に雑音のロバスト性をエンコードするwav2vec-Switchを提案する。 具体的には、オリジナルノイズの多い音声ペアを同時にwav2vec 2.0ネットワークに供給する。 既存のコントラスト学習タスクに加えて、原音声と雑音音声の量子化表現を追加の予測対象に切り替える。
  論文  参考訳（メタデータ） (2021-10-11T00:08:48Z)
• 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)

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。