研究者らは、LuxSQAを発表した。これはルクセンブルク語における音声質問回答（SQA）のための手法で、大規模な人間録音コーパスを必要とせずにトレーニングデータを生成するためにテキスト読み上げ合成を活用する。このアプローチは既存のテキストベースのQAリソースをルクセンブルク語に翻訳し、複数のTTSシステムを用いて音声質問を合成し、それらをテキスト回答とペアにする。

  • チームは、凍結されたWhisperエンコーダーを学習されたプロジェクターとLoRAアダプターを介して凍結された多言語LLMバックエンドに接続するパラメータ効率的なSLAMスタイルのアーキテクチャをトレーニングする。
  • 約48kの質問を含む単一ソースコーパスと、約230kの質問のマルチソースミックスを用いて、MMS-TTS、Qwen3-TTS、OmniVoiceのバリアントを比較する。
  • 実際のルクセンブルク語話者の条件下でのLLAMA-LB-Testデータセット上での評価により、マルチソースおよび音声デザインベースの合成トレーニング構成が最も強力なSQAパフォーマンスを生み出すことが示された。
  • 結果は、参照なしTTS品質スコアがダウンストリームQAパフォーマンスを単調に予測しないことを示しており、合成音声は自然さのみならずタスク固有のトレーニングデータとして評価されるべきであることを示唆している。

この研究は、TTSが低リソースSQA設定においてタスク固有のトレーニングデータを効果的に提供できることを実証し、音声LLM手法の高リソース言語への到達範囲を広げている。