提出了一种通过建立质量评估 (quality estimation) 方法来预测同声传译工作表现的任务，利用新颖的特征和方法达到了更好的预测准确性

May, 2018

评估口译服务的表现是一项复杂的任务，尤其是在应用自动评估方法时，本研究旨在通过分析自动度量与人工评估之间的相关性来评估同传口译的可靠性，结果表明 GPT 模型，特别是 GPT-3.5 具有最强的语义相似性相关性，即使在评估短文本片段时也是如此。

Jun, 2024

本文通过使用多种语言源改进一个多语言自动语音翻译的方法，验证了采用多源信息的方法能改善翻译质量，同时证实了这种方法对于实时同声翻译提供了巨大帮助

May, 2023

本研究针对如何实现长篇演讲等语音内容的同声传译问题，采用重新翻译的方式进行同步翻译，并提出了优化应用工具以加强稳定性的方法。研究结果表明，这种方法不仅延迟极低，翻译结果也具有高质量，能够轻易地进行多语言翻译。

Dec, 2019

本文提出一种评估方法，对同时语音翻译的输出窗口大小、系统延迟以及重写程度对读者可读性和理解度的影响进行了研究。实验结果表明，与机器翻译本身和个人能力相比，字幕布局或闪烁对理解度的影响较小；同时，对源语言知识有限的用户与零知识用户的稳定性和延迟方面具有不同的偏好。尽管实验规模较小，但该研究表明我们提出的方法是可行的，并且可以在更大的样本量下验证。

Mar, 2022

研究了一种在会议或会谈中进行同时语音翻译的应用程序，并探讨了使用在线口语翻译模型建立在线口语翻译系统的一般方法以及针对这种方法采用不同的语言和体系结构的多语种模型与端对端模型的能力。所提出的方法通过对 TEDx 语料库的实验证明，相似的潜在优势。

Mar, 2022

本研究通过收集欧洲议会在 2008 年至 2012 年期间进行的演讲，创建了一个新型的包括 6 种欧洲语言互相翻译的语音和文本样本的多语种 SLT 语料库 Europarl-ST，并展示了一系列的语音识别、机器翻译和口语翻译实验。

Nov, 2019

提出了一种名为 Self-Adaptive Translation (SAT) 的方法，实现同时语音翻译。该方法通过灵活调整翻译的长度，以适应不同的源语音速率，从而在保持近似的翻译质量的前提下，显著降低了延迟，生成了更流畅自然的目标语音。

Oct, 2020

使用大型语言模型（LLM-SI-Corpus），将现有的语音翻译语料库转化为解释风格的数据，通过对 Simultaneous Machine Translation（SiMT）模型进行 fine-tuning，可以在减少延迟的同时保持与离线数据集训练模型相同质量水平。

Apr, 2024

SimulEval 是一个易于使用、面向同时文本和语音翻译的通用评估工具包，通过客户端执行自定义策略实现同时解码，自动执行同时解码并收集几个流行的延迟度量。

Jul, 2020