2026-03-15T11:42:31Z https://ipsj.ixsq.nii.ac.jp/oai

oai:ipsj.ixsq.nii.ac.jp:00241623 2025-01-19T07:36:00Z 1164:5159:11541:11870

文単位音声要約のためのデータセット構築とEnd-to-Endモデルの検討 Constructing Datasets for Sentence-wise Speech Summarization and Exploring End-to-End Modeling 松浦, 孝平 芦原, 孝典 森谷, 崇史 三村, 正人 叶, 高朋 小川, 厚徳 デルクロア, マーク 音声認識 本研究では，発話文書からテキスト要約を文ごとに生成する新たな手法 “Sentence-wise Speech Summarization (Sen-SSum)” を提案する．Sen-SSum は，自動音声認識（ASR）のリアルタイム性と，音声要約の簡潔さを両立させるアプローチである．本手法を検証するために，Sen-SSum 用の 2 つのデータセット “Mega-SSum” および “CSJ-SSum” を構築する．これらのデータセットを用い，2 種類の Transformer ベースのモデルの性能を評価する．1 つ目は ASR と高性能なテキスト要約モデルを組み合わせたカスケードモデル，2 つ目は音声を直接テキスト要約へ変換する End-to-End（E2E）モデルである．E2E モデルは計算効率の観点から魅力的であるが，カスケードモデルと比較して性能が劣るという課題がある．そこで，カスケードモデルにより生成された擬似要約をもちいて E2E モデルを学習することで，カスケードモデルの強力な言語知識を E2E モデルへ蒸留することを提案する．評価実験により，本手法は E2E モデルの要約精度を両データセットにおいて効果的に向上することを示した． technical report 情報処理学会 2024-12-05 application/pdf 研究報告音声言語情報処理（SLP） 3 2024-SLP-154 1 7 2188-8663 AN10442647 https://ipsj.ixsq.nii.ac.jp/record/241623/files/IPSJ-SLP24154003.pdf jpn