論文の概要: Hy ASR 3.0 Technical Report
- arxiv url: http://arxiv.org/abs/2611.14908v1
- Date: Wed, 11 Nov 2026 02:01:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.978694
- Title: Hy ASR 3.0 Technical Report
- Title(参考訳): Hy ASR 3.0テクニカルレポート
- Abstract要約: Hy ASR 3.0は、LLMベースの音声認識システムである。
中国語、英語、カントン語を含む13の中国語の方言グループをサポートする。
公的な中国語、英語、カントン語のベンチマークでは最も低い集合エラー率と、対応する内部テストセットでは最も低い集合エラー率を達成する。
- 参考スコア(独自算出の注目度): 65.34711122261398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Hy ASR 3.0, a large language model (LLM)-based automatic speech recognition (ASR) system that delivers strong recognition accuracy, supports flexible contextual conditioning, and maintains robust recognition performance across diverse speech conditions. Hy ASR 3.0 supports Mandarin Chinese, English and 13 Chinese dialect groups, including Cantonese. Among the evaluated systems, it achieves the lowest aggregate error rates on public Mandarin Chinese, English, and Cantonese benchmarks and the lowest error rates on the corresponding internal test sets, alongside first-tier dialect recognition performance. Beyond audio-only transcription, Hy ASR 3.0 supports multiple forms of external context, including hotword lists, question--answer dialogues, and summaries, enabling the use of task-relevant information during recognition. The model also leverages intra-utterance context to disambiguate homophonic and phonetically similar keywords using information from other parts of the same utterance, without requiring a separate contextual input. Evaluations demonstrate strong contextual recognition in both external-context and intra-utterance settings, as well as robust recognition of long-form speech, children's and older adults' speech, low-volume speech, and speech in noisy environments. This report describes the model architecture and training methodology and presents evaluations across recognition accuracy, context utilization, and robustness.
- Abstract(参考訳): 本稿では,大規模言語モデル(LLM)に基づく音声認識システムHy ASR 3.0について述べる。
Hy ASR 3.0は、中国語、英語、カントン語を含む13の中国語方言グループをサポートしている。
評価システムの中では、中国語、英語、カントン語の公的なベンチマークにおいて最も低い集合誤差率と、第1階層の方言認識性能とともに、対応する内部テストセット上での最小エラー率を達成する。
音声のみの書き起こし以外にも、Hy ASR 3.0はホットワードリスト、質問応答ダイアログ、要約などの複数の外部コンテキストをサポートしており、認識中にタスク関連情報を使用することができる。
このモデルは、同じ発話の他の部分からの情報を用いて、別の文脈入力を必要とせず、同音と音韻的に類似したキーワードを曖昧にするために、発話内コンテキストも活用する。
評価は, 外部文脈と発話内環境の両方において強い文脈認識を示し, 長文音声, 子どもと高齢者の発話, 低ボリューム音声, 騒音環境下での音声の頑健な認識を示す。
本報告では, モデルアーキテクチャとトレーニング手法について述べるとともに, 認識精度, 文脈利用性, 頑健性を評価する。
関連論文リスト
- Qwen-Audio-3.0-ASR Technical Report [52.28849889799101]
本稿では,Mixture-of-Experts (MoE) LLM-based ASRシステムであるQwen-Audio-3.0-ASRを提案する。
Qwen-Audio-3.0-ASRは8つの主要方言領域にまたがる30の言語と16の中国語方言の転写をサポートしている。
レイテンシに敏感なアプリケーションのための専用ストリーミング変種Qwen-Audio-3.0-ASR-Streamingを開発した。
論文 参考訳(メタデータ) (2026-09-07T14:30:56Z) - Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI [4.893345190925178]
低リソース,内在言語,非標準言語の持続的失敗は,技術的な誤りだけでなく,植民地言語の階層を再現する暗黙的な言語政策でもある,と我々は主張する。
本研究では,ASRとASRを介する音声インタフェースにおいて,3つのハーム(3M)分類法と言語多様性のための7層位置モデルを導入する。
論文 参考訳(メタデータ) (2026-08-06T15:10:29Z) - RW-Voice-EQ Bench: A Real World Benchmark for Evaluating Voice AI Systems [5.434878413067881]
テキスト音声(TTS)、音声音声(STS)、音声理解(SU)、音声認識(ASR)による音声AI評価のための多次元ベンチマークであるReal World Voice EQ Benchを紹介する。
評価の結果, 性能は高次元比であることが示唆された。
論文 参考訳(メタデータ) (2026-07-16T11:15:16Z) - Speak in Context: Multilingual ASR with Speech Context Alignment via Contrastive Learning [5.770962296305264]
多様な言語とアクセントをサポートするコンテキスト対応多言語ASRフレームワークを提案する。
提案手法は,フリーズした音声エンコーダと,軽量プロジェクションモジュールによるデコーダのみの言語モデルを組み合わせたものである。
文脈入力は認識品質を継続的に改善することを示す。
論文 参考訳(メタデータ) (2026-03-06T17:37:06Z) - AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。
AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。
また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
論文 参考訳(メタデータ) (2025-08-29T07:40:39Z) - Towards Inclusive Communication: A Unified Framework for Generating Spoken Language from Sign, Lip, and Audio [52.859261069569165]
音声テキスト生成のための手話,唇の動き,音声の多様な組み合わせを扱える最初の統一フレームワークを提案する。
i)不均一な入力を効果的に処理できる統一されたモダリティ非依存アーキテクチャの設計、(ii)モダリティ間の過小評価された相乗効果の探索、特に手話理解における非手動的手がかりとしての唇運動の役割、(iii)個々のタスクに特化した最先端モデルと同等以上のパフォーマンスを達成すること、の3つの目的に焦点をあてる。
論文 参考訳(メタデータ) (2025-08-28T06:51:42Z) - A New Benchmark for Evaluating Automatic Speech Recognition in the Arabic Call Domain [0.0]
この研究は、アラビア語における電話会話の課題に対処するために、アラビア語音声認識のための包括的なベンチマークを導入する試みである。
我々の研究は、アラビア方言の幅広い範囲を包含するだけでなく、コールベースのコミュニケーションの現実的な条件をエミュレートする堅牢なベンチマークを確立することを目的としている。
論文 参考訳(メタデータ) (2024-03-07T07:24:32Z)
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。