論文の概要: Marimba: A System One Model for Speech
- arxiv url: http://arxiv.org/abs/2611.18330v1
- Date: Fri, 13 Nov 2026 15:44:18 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:29:55.084637
- Title: Marimba: A System One Model for Speech
- Title(参考訳): Marimba: 音声のシステム1モデル
- Abstract要約: Marimbaは、凍結したQwen3-ASR 0.6B機能上に構築された型付き音声決定のためのインタフェースである。
レキシカルな質問はASR文字のゼロショットスコアを使い、非レキシカルな質問は質問条件付きヘッドを使用する。
言語識別は、ASRモデル独自の言語スコアを使用する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Speech applications require decisions about term presence, turn completion, and language within an audio window. We present Marimba, an interface for typed speech decisions built on frozen Qwen3-ASR 0.6B features. Lexical questions use zero-shot scoring of ASR transcripts; non-lexical questions use a question-conditioned head and a separate layer-18 turn-end readout. Language identification uses the ASR model's own language scores. On private conversational test sets, decoder AUROC is 0.80-0.92; on public read speech it is 0.92-0.97. Speech Commands four-way accuracy is 0.93; binary lexical ECE is at most 0.08. Personal-information detection, which passes the greedy transcript to a private, curated PII pipeline, reaches item-level F1 0.904 on synthetic Brazilian Portuguese speech (1.000 on reference transcripts). Layer-12 speaker readouts detect speaker change with AUROC 0.966-0.980 on AMI and VoxConverse, above an ECAPA baseline, and count speakers (0, 1, 2, or 3+) more accurately than pyannote 3.1. The turn-end readout reaches AUROC 0.930 versus Smart Turn v3.2 at 0.982 on Smart Turn's own test set. On a subset of ICSI meetings labeled by next speaker, AUROC is 0.716 versus 0.712; the paired confidence interval includes zero.
- Abstract(参考訳): 音声アプリケーションは、音声ウィンドウ内の項存在、ターン完了、言語に関する決定を必要とする。
凍結したQwen3-ASR 0.6B機能上に構築された型付き音声決定のためのインタフェースであるMarimbaを提案する。
語彙的質問はASR文字のゼロショットスコア(ゼロショットスコア)を使用し、非語彙的質問は質問条件付きヘッドと別のレイヤ-18ターンエンドリードアウトを使用する。
言語識別は、ASRモデル独自の言語スコアを使用する。
プライベートな会話テストセットでは、デコーダ AUROC は 0.80-0.92 であり、パブリック・リード・スピーチでは 0.92-0.97 である。
音声コマンドの4方向精度は0.93であり、二進語彙ECEは0.08である。
個人情報検出は、グリーディー文字をプライベートなPIIパイプラインに渡し、ブラジルポルトガル語の合成音声(参照文字は1.000)でアイテムレベルF1 0.904に達する。
層12話者の読み出しは、AMIとVoxConverseのAUROC 0.966-0.980でECAPAベースライン上の話者変化を検出し、Pyannote 3.1よりも正確な話者(0, 1, 2, 3, 3+)をカウントする。
ターンエンドはAUROC 0.930、Smart Turn v3.2は0.982に到達した。
次の話者によってラベル付けされたICSI会議のサブセットでは、AUROCは0.716対0.712であり、対の信頼区間は0である。
関連論文リスト
- Hy ASR 3.0 Technical Report [65.34711122261398]
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。
論文 参考訳(メタデータ) (2026-11-11T02:01:29Z) - 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) - Interpretable, Fairly Evaluated Automated L2 Speaking Assessment that Beats the Single-Human Ceiling and Why Pause Encoding Does Not Change LLM Fluency Scores [0.0]
自然発生L2対話のための解釈可能な機能+LLMハイブリッドを構築した。
ICNALE Global Rating Archive: 140 Speechs rated by 80 trained Raters on 10 analysis criteria。
論文 参考訳(メタデータ) (2026-06-25T17:18:30Z) - LASE: Language-Adversarial Speaker Encoding for Indic Cross-Script Identity Preservation [0.0]
話者エンコーダは、音声が発声されたスクリプトに関係なく、同じ話者を同一に扱うべきである。
オフザシェルフエンコーダは使用せず、失敗はアクセント条件である。
凍結したWavLMベースプラスを2つの損失で訓練した小型プロジェクションヘッドであるLASEを提示する。
論文 参考訳(メタデータ) (2026-05-01T16:46:25Z) - Selective Attention System (SAS): Device-Addressed Speech Detection for Real-Time On-Device Voice AI [1.399948157377307]
時間的曖昧な発話を伴うマルチ話者環境において、このタスクは発話局所分類タスクよりも、対話履歴よりも逐次ルーティング問題として効果的にモデル化されていることを示す。
本稿では,これをSDAR(Sequential Device-Addressed Routing)として定式化し,この定式化をインスタンス化するデバイス上でのSelective Attention System(SAS)を提案する。
論文 参考訳(メタデータ) (2026-04-09T16:11:15Z) - Harf-Speech: A Clinically Aligned Framework for Arabic Phoneme-Level Speech Assessment [1.0898519359579681]
Harf-Speechは、アラビア語の発音を臨床レベルで評価するモジュールシステムである。
Harf-Speech は Pearson の0.791 と ICC (2,1) の0.659 の相関値を得た。
論文 参考訳(メタデータ) (2026-03-11T04:10:35Z) - Qwen3-ASR Technical Report [71.87071808763484]
2つの強力なオールインワン音声認識モデルと、新しい非自己回帰音声強制アライメントモデルを含むQwen3-ASRファミリを紹介する。
Qwen3-ASR-1.7BとQwen3-ASR-0.6Bは、言語識別と52の言語および方言のASRをサポートするASRモデルである。
論文 参考訳(メタデータ) (2026-01-29T06:58:13Z) - Exploring SSL Discrete Speech Features for Zipformer-based Contextual ASR [74.38242498079627]
自己教師付き学習(SSL)に基づく離散音声表現は、非常にコンパクトで、ドメイン適応性が高い。
本稿では、Zipformer-Transducer ASRシステムにおいて、WavLMモデルから抽出したSSL離散音声特徴を追加の発話音響コンテキスト特徴として用いた。
論文 参考訳(メタデータ) (2024-09-13T13:01:09Z) - BLASER: A Text-Free Speech-to-Speech Translation Evaluation Metric [66.73705349465207]
エンドツーエンドの音声音声翻訳(S2ST)は、一般的にテキストベースのメトリクスで評価される。
本稿では,ASRシステムへの依存を回避するために,BLASERと呼ばれるエンドツーエンドS2STのテキストフリー評価指標を提案する。
論文 参考訳(メタデータ) (2022-12-16T14:00:26Z)
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。