@techreport{oai:ipsj.ixsq.nii.ac.jp:00241623,
 author = {松浦, 孝平 and 芦原, 孝典 and 森谷, 崇史 and 三村, 正人 and 叶, 高朋 and 小川, 厚徳 and デルクロア, マーク},
 issue = {3},
 month = {Dec},
 note = {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．},
 title = {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},
 year = {2024}
}