日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

音声認識arXiv:2508.17753

ロボットと話す:HRI応用のための音声基盤モデルの実践的検討

Talking to Robots: A Practical Examination of Speech Foundation Models for HRI Applications

シェア:XThreadsFacebookLINEはてブBluesky

人間とロボットの対話で使われる音声認識システム4種を、雑音・訛り・子供/高齢者・障害・自発発話など6つの難しさを持つ8データセットで評価し、性能差や幻覚・バイアスの問題を明らかにした。

詳しい要約

1. どんなもの?

- 実環境の HRI における ASR の実用性を検証した評価研究 - 4 つの state-of-the-art ASR systems を比較 - 8 つの公開データセットを使用 - 難易度 6 次元をカバー - domain-specific - accented - noisy - age-variant - impaired - spontaneous speech - 標準ベンチマークだけでなく hallucination 傾向や inherent biases も分析

2. 先行研究と比べてどこがすごい?

- 標準ベンチマーク上では同等スコアでも実環境で性能が大きく変動することを示す - hallucination 傾向や inherent biases の差を明示 - HRI 特有の制約を 6 次元の難易度で体系的に評価 - 単一データセットではなく 8 つの公開データセットで横断比較 - 具体的な先行研究名は要旨からは不明

3. 技術・手法の肝は?

- 4 つの state-of-the-art ASR systems を同一条件で比較評価 - 8 つの公開データセットを 6 次元の難易度軸に整理 - domain-specific - accented - noisy - age-variant - impaired - spontaneous speech - 性能だけでなく hallucination と inherent biases を分析 - 個々のシステム名や評価指標の詳細は要旨からは不明

4. どうやって有効だと検証した?

- 8 つの公開データセット上で 4 システムを評価 - 標準ベンチマークのスコアと実環境条件の性能差を比較 - hallucination 傾向と inherent biases を分析 - 具体的な指標・被験者実験の有無は要旨からは不明

5. 議論はある?

- 認識誤りが HRI のタスク遂行・ユーザ信頼・安全性に影響すると指摘 - 標準ベンチマークのスコアだけでは実用性を判断できないと議論 - hallucination と inherent biases が HRI に与えるリスクを強調 - 具体的な緩和策や定量結果は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照・比較された個別研究は明示されていない - 関連手法として Whisper 系 speech foundation models の評価研究 - HRI 向け ASR robustness や hallucination に関する研究 - 難易度 6 次元に対応する公開データセットの原論文

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Theresa Pekarek Rosin, Julia Gachot, Henri-Leon Kordt, Matthias Kerzel, Stefan Wermter

分類: cs.RO, cs.AI, cs.CL, cs.HC

原文アブストラクト

Automatic Speech Recognition (ASR) systems in real-world settings need to handle imperfect audio, often degraded by hardware limitations or environmental noise, while accommodating diverse user groups. In human-robot interaction (HRI), these challenges intersect to create a uniquely challenging recognition environment. We evaluate four state-of-the-art ASR systems on eight publicly available datasets that capture six dimensions of difficulty: domain-specific, accented, noisy, age-variant, impaired, and spontaneous speech. Our analysis demonstrates significant variations in performance, hallucination tendencies, and inherent biases, despite similar scores on standard benchmarks. These limitations have serious implications for HRI, where recognition errors can interfere with task performance, user trust, and safety.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI