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

该研究拓展了现有的同声翻译系统，提出一种基于流历史的流机器翻译方法，取得了较大的质量提升，并且表现优于现有同类最佳系统。

Mar, 2022

提出一种无分割的框架，能够在生成翻译之前延迟分割决策，以在实时流中实现无分割的源流翻译，该框架在质量和延迟方面具有更好的权衡。

Sep, 2023

该论文提出了一种通过使用一种表示搜索过程的扁平字符串（搜索流）来教授语言模型进行搜索的方法，并通过使用启发式求解器生成的搜索流数据集从头开始预训练一个基于 Transformer 的语言模型来展示该方法的有效性。论文进一步使用 Advantage-Induced Policy Alignment（APA）和 Self-Taught Reasoner（STaR）两种策略改进方法对其进行微调，结果表明将 SoS 模型应用于 Countdown 游戏可以提升搜索准确性 25％，而微调后的 SoS 模型能够解决 36％的以前无法解决的问题，并能够灵活地使用不同的搜索策略甚至发现新的搜索策略。

Apr, 2024

我们提出了一种无需文本数据即可构建的无文本语音到语音翻译系统，采用了自监督单元级别的语音标准化技术来优化多说话者语音的模型，仅使用了 10 分钟的数据训练该技术，可在 VoxPopuli S2ST 数据集上实现平均 3.2 BLEU 分数的增益，是首次建立了可用于多种语言对的无文本 S2ST 技术。

Dec, 2021

实时的语音转文字翻译是具有挑战性的任务，文章提出了流式语音转文字翻译（StreamST）策略和流式语音转文字翻译延迟度量（StreamLAAL），并通过实验证明了其在实时语音翻译领域的有效性。

Jun, 2024

本文提出了一种基于 token 级别序列化输出训练（t-SOT）的新型流式多说话人自动语音识别框架，该框架在 LibriSpeechMix 和 LibriCSS 数据集中显示出比以前的结果更高的单词错误率的优势。

Feb, 2022

提出了一种流式 Transformer-Transducer (T-T) 模型，能够使用单个解码器联合生成多对一和一对多的转录和翻译，并引入了一种基于时间戳信息的新颖方法来有效地在流式环境中生成语音识别和语音翻译的输出。通过在 {it, es, de}->en 上进行的实验证明了我们方法的有效性，首次实现了使用单个解码器生成一对多联合输出。

Oct, 2023

本文探讨了使用主动学习技术对无限数据流进行交互式神经机器翻译的应用，并提出了两种选择样本的新方法。我们的实验表明，将主动学习技术集成到翻译系统中可在增加翻译质量的同时降低所需的人力工作量，并使人力工作量达到一定的翻译质量平衡。此外，我们的神经系统表现明显优于传统方法。

Jul, 2018

本文介绍了如何使用端到端模型进行语音翻译，并在流式翻译设置中实现同时生成音频转录和翻译输出，并比较了与标准级联方法的表现，结果表明这种方法与级联模型的表现相似，但参数数量更少。

Jan, 2021