Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

FunAudio-ASR Technical Report

Created by
  • Haebom

作者

Keyu An, Yanni Chen, Chong Deng, Changfeng Gao, Zhifu Gao, Bo Gong, Xiangang Li, Yabin Li, Xiang Lv, Yunjie Ji, Yiheng Jiang, Bin Ma, Haoneng Luo, Chongjia Ni, Zexu Pan, Yiping Peng, Zhendong Peng Wang Peya Wang、Biao Tian、Zhentao Tan、Nan Yang、Bin Yuan、Jieping Ye、Jixing Yu、Qinglin Zhang、Kun Zou、Han Zhao、Shengkui Zhao、Jingren Zhou

概要

本稿では、大規模言語モデル（LLM）ベースの自動音声認識（ASR）システムであるFunAudio-ASRを紹介します。 FunAudio-ASRは、膨大なデータ、大規模なモデル容量、LLM統合、強化学習を相乗効果的に組み合わせ、多様で複雑な音声認識シナリオで最先端のパフォーマンスを実現します。既存のLLMベースのASRシステムの幻覚問題を解決するために努力し、ストリーミング機能、ノイズ耐性、コード切り替え、ホットワードのカスタマイズなど、実際のアプリケーション要件を満たすように最適化されました。実験の結果、FunAudio-ASRはオープンソースのベンチマークだけでなく、実際の産業評価データセットでも最高のパフォーマンス（SOTA）を達成し、実際の環境での効果と堅牢性を実証します。

Takeaways、Limitations

•
Takeaways：
◦
大規模データ、大規模モデル、LLM統合、強化学習を組み合わせた新しいASRシステムの有効性を示しています。
◦
実際の産業環境に適用可能な実用的なASRシステムの開発可能性を提示
◦
LLMベースASRシステムの幻覚問題を緩和するための提案を提示する。
◦
ストリーミング、ノイズ耐性、コード切り替えなど、実際のアプリケーションに必要な機能強化。
•
Limitations：
◦
本論文で提示された実際の産業評価データセットの具体的な内容が不足している。
◦
FunAudio-ASRの性能向上に貢献した各要素（大規模データ、大規模モデル、LLM統合、強化学習）の相対的重要度の分析が不足している。
◦
他の最先端のASRシステムとのより包括的な比較分析が必要です。
👍
Made with Slashpage