LLMの正答に役立つ文書を選べるか――ICLERBによる検索評価とRLRAIFによる調整
- ICLERBは、文書を一つ加えたときのLLMの回答への効用を基準に、検索モデルの順位を評価する。
- RLRAIFは、LLMによる効用評価を使い、問い合わせを抑えながら検索モデルを調整する提案である。
- 評価時の質問は未見だが文書群は学習時と共通で、新規文書や複数文書の同時利用は評価範囲外である。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
未学習の話者へ声色を変えるCoDiff-VC：内容抽出と参照音声の使い方
- 単一コードブックの音声コーデックで発話内容を取り出し、参照音声の声色を条件にして波形を生成する。
- LibriTTSの未学習話者での話者類似度の平均主観評価点は、CoDiff-VCが3.94±0.10、Diff-VCが3.72±0.09だった。
- 著者らは拡散モデルの推論速度が比較的遅いと述べており、実務利用には所要時間と対象言語での品質確認が必要となる。
GaussianSpeech：音声から本人の3D頭部を動かし、歯や表情のしわを描く
- 本人の複数視点映像から3D頭部を構築し、音声から唇、表情、顔表面の動きを時系列で予測する。
- 著者らの被験者4の再構築実験では、GaussianAvatarsより少ない点数でPSNR、SSIM、LPIPSが良好だった。
- 発話中のしわは収録データに現れた人物で再現する設計であり、音声駆動の定量結果は確認できた本文の範囲では不明である。
音の劣化が目立つ条件を重みに反映する音質予測モデル
- 原音と処理音から劣化指標と認知効果指標を求め、劣化の目立ちやすさに応じて音質予測の重みを変える。
- 著者らは単独の劣化を主に含む200件で得点尺度を合わせ、USAC VT1の216件で指標間の関係を学習した。
- 未使用データでの予測改善を著者らは報告するが、確認できた本文の範囲では方式別の相関値と改善幅は確認できない。
失敗したリコーダー演奏へ音楽を変換する：FR109と既存3手法の比較
- FR109は、意図的な失敗を含むソプラノリコーダー演奏109曲、計5.05時間のデータセットである。
- Bach10から失敗リコーダーへの変換で、著者らが報告したFADはVAE-GANが7.27、StarGANが13.87、DDSPが38.91だった。
- 実録音とStarGAN・VAE-GANの変換音には雑音らしさの指標で差が残り、聴取試験の有効回答は16件だった。
言語が切り替わる音声を、中間層の言語推定を使って書き起こす手法
- 著者らは、符号化器の複数の中間層に言語識別情報を取り込み、内部の言語推定を後段の音声認識に使う方法を提案する。
- SEAMEコーパスではD-MoEを上回ったと報告するが、確認できた本文の範囲では評価指標と改善幅は分からない。
- 実務適用には、対象音声の正解書き起こしと言語区間の情報を確認し、既存方式と同じ音声で誤りを比べる必要がある。
音声認識の精度が上がると偽音声も見抜きやすくなるか：WhisperとWav2Vec 2.0の比較
- Whisperの5版とWav2Vec 2.0の3版を特徴抽出器として使い、偽音声検出との関係を調べた。
- 著者らの表では、Whisper smallの5評価対象における平均EERは13.23％で、largeの14.46％より低かった。
- 音声認識の単語誤り率が下がっても、評価した条件では偽音声検出のEERが一貫して下がるわけではなかった。
精神保健相談の声から対応優先度を推定――459通話を使った支援方法
- 相談者の声から、高優先・低優先の二群を推定して専門職の判断を支える方法。
- 著者らは459通話を分析し、82件の試験用データで均衡正解率92％を報告した。
- 試験用の高優先38件のうち3件を低優先と判定した。学習・試験の群別件数と別表の群別総数にも食い違いがある。
複数の音声データで感情の特徴を学び、使用先に合わせて分類器を調整する手法
- 複数の感情音声データセットで音声表現モデルを調整し、対象データセットで分類器を調整する二段階の手法。
- 著者らの報告では、WavLMを基にしたモデルのUAはIEMOCAPで77.41％、CASIAで96.49％。
- 使用先への適用には、感情ラベル付きの対象音声を用意し、同じ評価条件で基準手法と比較する必要がある。
合成した医療音声でWhisperを追加学習し、認識文をBARTで補正するUnited-MedASR
- ICD-10、MIMS、FDA由来の資料から例文と合成音声を作り、Whisper mediumを追加学習する。
- 推論では発話区間の検出とFaster-Whisperによる認識を行い、BARTで認識文を補正する。
- 著者らはLibriSpeech test-cleanでWER 0.985%などを報告するが、確認できた本文の範囲では医療音声の対応する評価値は確認できない。
新着動画の推薦候補をどう選ぶか：エピネットで不確実性を反映
- 著者らは、エピネットをFacebook Reelsの新着動画の候補選択に適用した。
- 利用者と動画の特徴から候補を採点し、予測の不確実性を選択に反映する。
- 著者らはトラフィックと反応効率の改善を報告するが、確認できた本文の範囲では改善幅や実験条件は分からない。
審査官の引用文献を使い、特許請求項の変更箇所を文単位で予測する
- 出願時の請求項、審査官の引用文献、成立後の請求項を対応付けた10万5000件のデータを構築した。
- 意味の近い引用文を検索し、引用文と出願文の含意関係から維持・修正・削除を予測する。
- 1万件を用いた実験でBART-Large-MNLIの重み付きF1は55.6。削除のF1は35.9で、出願文だけを使うRoBERTa-Largeの38.7を下回った。