The AnySpeech Project —Open-vocabulary keyword spotting and phonetic transcription in any language
Notice bibliographique
Résumé
Performing multilingual phonetic analysis is challenging, not least due to the lack of performant tools for performing basic analyses on (non-English) speech data. Without the capacity to perform basic operations such as transcription or search through speech data for understudied languages, critical questions in cross-linguistic phonetic analysis remain elusive [Blasi etal. Trends in Cog. Sci. 26(12), 1153–1170 (2022)]. To this end, we will demonstrate our recent advances towards multilingual representation learning and automatic phonetic transcription, as part of our AnySpeech initiative. Specifically, we will demonstrate two tools. First, the CLAP-IPA model—a phoneme-to-speech model, capable of performing open-vocabulary keyword spotting in any language without any parameter updates, including languages that were not in the training dataset [Zhu et al., NAACL, 750-772 (2024)]. Second, the IPAPack transcription model, a lightweight transcription model, capable of annotating 473 different phones, including those that were lacking in prior models (e.g., click consonants in Bantu languages). We will demonstrate that our models can be easily downloaded and set up on consumer-grade laptops with little effort. We anticipate that our tools will enable researchers to analyze speech recording repositories at scale, unlocking answers to critical questions in cross-linguistic phonetic analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,042 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».