Tibetan-PASEM: 低リソースチベット語の音韻を考慮した音声証拠マッチングによる書き言葉クエリキーワードスポッティング
Tibetan-PASEM: Phonology-Aware Speech Evidence Matching for Low-Resource Tibetan Written-Query Keyword Spotting
低リソース書き言葉クエリキーワードスポッティングは、音声登録や完全な自動音声認識なしに、音声中のテキスト指定ターゲットを検出する。本研究では、Tibetan Phonology-Aware Speech Evidence Matching (Tibetan-PASEM) という手法を提案する。この手法は、書記情報、近似的な音韻情報、方言関連のクエリ情報をエンコードし、局所的な音響ウィンドウと照合し、ウィンドウレベルの証拠を集約し、検証によって選択された動作点を適用する。Querybank198 は、4つの公開音声リソースから派生した198個のチベット語書き言葉クエリを含む。完全ファイルおよびデコードされたPCM監査により、開発セットとホールドアウトセットの境界を越えて、記録内容、ソース資格のある話者、セッションプロキシの重複がない、修正済みの213,128ペアの評価が得られた。3シードの修正インデックス再評価では、音響的に強化されたPASEM (PASEM-AS) は、seen_test で66.16 ± 2.14%、unseen_test で26.51 ± 3.42%、confusable-negative診断条件で72.10 ± 1.39% のF1スコアを達成した。元の修正前ペアインデックスでは、転移正則化を用いたPASEM (PASEM-TR) は、unseen_test のF1を25.80 ± 2.71%から35.25 ± 4.17%に、Recallを18.48 ± 2.98%から33.85 ± 8.22%に向上させた。これらの結果は、強力な既知クエリの識別、監査済みの固定閾値評価プロトコル、およびホールドアウトされた書き言葉クエリへの部分的かつシードに依存した転移を示している。
- 低リソースのチベット語書き言葉クエリキーワードスポッティング手法 Tibetan-PASEM を提案し、198個のクエリを含む Querybank198 データセットを公開した。
低リソース言語向けの音声認識技術の研究であり、学術的な進展を示しているが、特定企業の製品化や調達・規制などの具体的な投資判断材料となる事業的事象は含まれていない。AI研究分野のカテゴリには該当するものの、投資判断に直結するイベントとしては希薄。