Montreal FA および WhisperX よりも正確な単語タイムスタンプ。
単語およびフォンレベルのタイミングと電話ごとの信頼度プロキシを出力する強制アラインメント サービス。10 のシステムの 1 つとして、オープンな強制アラインメント ベンチマークである fa-bench に登録されています。
https://api.olewave.com/olign/v1
パブリック REST API はクローズドベータ版です。テストトークンを取得してアクセスするには、お問い合わせください。
クリーンスピーチでの単語レベルの精度
単語境界エラー（WBE）、ミリ秒単位 — 低いほど良い。±20 ms でのバウンダリ F1 — 高いほど良い。ホールドアウト・スピーカー分離スプリットで fa-bench の fabench プロトコルで測定。
| スプリット | WBE (ms) ↓ | Word F1 @ 20 ms ↑ | ||
|---|---|---|---|---|
| olign | MFA 3.4 | olign | MFA 3.4 | |
| timit / dev | 16.0 | 19.2 | 0.807 | 0.729 |
平均単語境界配置で 3.2 ミリ秒の改善、厳密な ±20 ms しきい値での F1 リード 8 ポイント。timit/test、buckeye/dev、および buckeye/test での単語レベルの結果は同じパターンであり、olign/docs/results.md で公開されています。
ノイズ下での耐性
Kaldi voxceleb/v2 レシピの 4 つの条件 — リバーベレーション、MUSAN 加法ノイズ、音楽、バビー — 同じゴールド、同じスプリット、音響のみが異なります。ニューラル フレーム分類器はノイズ下で崩壊します。olign と MFA は段階的に低下します。値は Buckeye での単語レベルの MAE トレンドです。完全なテーブルは olign/docs/results.md にあります。
| システム | クリーン | リバーブ | ノイズ | 音楽 | バビー |
|---|---|---|---|---|---|
| olign | ✓ | ✓ | — | ✓ | ✓ |
| MFA 3.4 | — | — | ✓ | — | — |
| WhisperX / Charsiu | — | — | — | — | — |
| MAPS | — | — | — | — | — |
olign は クリーン、リバーブ、音楽、および バビー で勝ちます。MFA は加法 ノイズ でそれをわずかに上回ります。ニューラル フレーム分類器（MAPS、Charsiu）は崩壊します — MAPS はフォンレベルで約 7 倍で、これはノイズ軸が生成した最も明確なものです。クリーン + ノイズの多いオーディオでバウンダリ リファイナーをトレーニングすることがこれを実現します。それはすべてのノイズセルで勝ち、クリーンスピーチで +0.1 ms のコスト、実行間の変動の範囲内です。
一緒に公開する注意事項
私たちが認識しているすべての方法論的なトレードオフ。これらの数字の下ではなく、隣に公開します。
-
学習データの重複
olign には、TIMIT および Buckeye の 学習 スプリットでトレーニングされたコンポーネントが含まれています。評価されたスプリットはそれからスピーカー分離です — ゼロ重複、スプリット リストに対して検証済み — したがってこれらは真にホールドアウトされた数値です。しかし、MFA、Charsiu、BFA、および WhisperX はどちらのコーパスにもまったく接触していないため、列は言及なしでは同等ではありません。
-
独自構成
構成は公開されていません。行は olign の最良の構成を報告します。あらゆるエントリと同じです。
-
論文ベースラインではない
olign は
fabenchプロトコルの下でのみスコアを獲得し、MFA-2026 再現ではありません。 -
スコアは実行ごとに変わる
同一の入力は評価
全体で異なる場合があります。バウンダリ タイムは安定していますが、これはベンチマークが測定するものです。 -
より良い境界、やや悪いラベル
olign は MFA よりやや高いフォン誤り率（timit/dev で 33.1% 対 32.7%）を持ちながら、境界をより良く配置します。そのラベルはゴールドとより少なく同意します。その境界はより近く着地します。両方の事実は、私たちが行うあらゆる主張に属しています。
olign へのベータアクセスをリクエストします。
REST API はクローズドベータ版です。テスト トークンを取得し、olign をあなたのワークロード — バッチ クリーニング、リアルタイム キャプション、発音評価、データセット ラベリング — に対して実行し、あなた自身のデータで数値を確認してください。
Olewave にベータ トークンについて連絡 →