通过利用流式历史将机器翻译从同时转换为流式转换
我们研究了流式机器翻译中一种相关的问题,即允许对假设进行除严格附加单词之外的修订。通过对比自定义流式方法和重翻译,我们发现重翻译在操作非常少的情况下与最先进的流式系统一样好甚至更好,并认为数据增强技术和 wait-k 推理形成了流式翻译的强有力基线。我们通过实验表明,重翻译具有包装任意强大机器翻译系统的能力,并从基础模型升级中获得了显著改进。
Apr, 2020
本论文提出了一种基于神经机器翻译的实时翻译框架,通过代理决策来实现翻译输出实时化并且具有可控的翻译质量与延迟,通过在两种语言对上的实验结果表明了该方法在定量与定性方面的有效性。
Oct, 2016
本文提出一种新型的语音翻译范例,通过使用两个分离但同步的解码器,一个用于流式 ASR, 一个用于直接语音翻译,并通过 ASR 生成的中间结果指导直接语音翻译,实现了流畅度更高的翻译质量。
Jun, 2021
提出了一种多模式神经机器翻译方法,即多模式同时翻译 (MSNMT),能够在翻译过程中利用视频信息和实现实时多语言理解。实验证实,该方法可显著提高翻译效率,特别是在低延迟情况下,比单纯文本的模型更加优秀。此外,我们通过对 MSNMT 的对抗性评估研究发现了视频信息在解码过程中的重要性,并分析了源语言和目标语言之间不同的单词顺序对翻译结果的影响。
Apr, 2020
该论文提供了对 SimulST 研究的综合概述,着重讨论了四个主要挑战,包括处理长时间和连续的语音流的复杂性、满足实时要求的困难、在翻译质量和延迟限制之间取得平衡的挑战以及缺乏注释数据所带来的复杂性。通过对这些挑战和提出的解决方案的探讨,旨在提供对 SimulST 研究当前现状的宝贵见解,并为未来的探索提出有希望的方向。
Jun, 2024
Simultaneous speech-to-speech translation (Simul-S2ST) is achieved through StreamSpeech, a unified model that incorporates translation and simultaneous policy in multi-task learning, providing high-quality intermediate results and a comprehensive real-time communication experience.
Jun, 2024
本文提出一种用于自适应 SimulMT 训练的有效方案,通过向训练语料库中添加自适应前缀对前缀的语句,来缓解 Wait-K 策略的两个主要限制,实验证明该方法在翻译质量和延迟方面优于所有强基准线。
Apr, 2022