論文の概要: End-to-End Speech Translation of Arabic to English Broadcast News

• arxiv url: http://arxiv.org/abs/2212.05479v1
• Date: Sun, 11 Dec 2022 11:35:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 14:52:08.788682
• Title: End-to-End Speech Translation of Arabic to English Broadcast News
• Title（参考訳）: アラビア語から英語放送ニュースへのエンドツーエンド音声翻訳
• Authors: Fethi Bougares and Salim Jouili
• Abstract要約: 音声翻訳(英: speech translation, ST)とは、ソース言語の音声信号を外国語のテキストに翻訳する作業である。 本稿では,最初のアラビア語から英語への翻訳システムであるブロードキャストニュースの開発に向けた取り組みについて述べる。
• 参考スコア（独自算出の注目度）: 2.375764121997739
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Speech translation (ST) is the task of directly translating acoustic speech signals in a source language into text in a foreign language. ST task has been addressed, for a long time, using a pipeline approach with two modules : first an Automatic Speech Recognition (ASR) in the source language followed by a text-to-text Machine translation (MT). In the past few years, we have seen a paradigm shift towards the end-to-end approaches using sequence-to-sequence deep neural network models. This paper presents our efforts towards the development of the first Broadcast News end-to-end Arabic to English speech translation system. Starting from independent ASR and MT LDC releases, we were able to identify about 92 hours of Arabic audio recordings for which the manual transcription was also translated into English at the segment level. These data was used to train and compare pipeline and end-to-end speech translation systems under multiple scenarios including transfer learning and data augmentation techniques.
• Abstract（参考訳）: 音声翻訳(英: speech translation, ST)とは、ソース言語の音声信号を外国語のテキストに変換するタスクである。 stタスクは、長い間、2つのモジュールによるパイプラインアプローチを使用して対処されてきた。まず、ソース言語における自動音声認識(asr)と、テキストからテキストへの機械翻訳(mt)だ。 過去数年間,シーケンシャル・ツー・シーケンシャルなディープニューラルネットワークモデルを用いたエンドツーエンドアプローチへのパラダイムシフトがみられた。 本稿では、アラビア語から英語への初の音声翻訳システムの開発に向けた取り組みについて述べる。 独立したasrとmt ldcのリリースから、マニュアルの書き起こしがセグメントレベルで英語に翻訳された約92時間のアラビア語音声録音を識別することができた。 これらのデータは、転送学習やデータ拡張技術を含む複数のシナリオで、パイプラインとエンドツーエンド音声翻訳システムのトレーニングと比較に使用された。

関連論文リスト

• CoSTA: Code-Switched Speech Translation using Aligned Speech-Text Interleaving [61.73180469072787]
  インド語から英語のテキストへのコード変更音声の音声翻訳(ST)の問題に焦点をあてる。 本稿では、事前訓練された自動音声認識(ASR)と機械翻訳(MT)モジュールを足場として、新しいエンドツーエンドモデルアーキテクチャCOSTAを提案する。 COSTAは、多くの競合するカスケードおよびエンドツーエンドのマルチモーダルベースラインを3.5BLEUポイントまで上回っている。
  論文  参考訳（メタデータ） (2024-06-16T16:10:51Z)
• TransVIP: Speech to Speech Translation System with Voice and Isochrony Preservation [97.54885207518946]
  カスケード方式で多様なデータセットを活用する新しいモデルフレームワークTransVIPを提案する。 本稿では、話者の音声特性と、翻訳過程における音源音声からの等時性を維持するために、2つの分離エンコーダを提案する。 フランス語と英語のペアに関する実験により、我々のモデルは、現在最先端の音声音声翻訳モデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-28T04:11:37Z)
• End-to-End Speech-to-Text Translation: A Survey [0.0]
  音声からテキストへの翻訳(英: Speech-to-text translation)とは、ある言語の音声信号を他の言語のテキストに変換するタスクである。 機械翻訳(MT)モデルと同様に、自動音声認識(ASR)は従来のST翻訳において重要な役割を果たす。
  論文  参考訳（メタデータ） (2023-12-02T07:40:32Z)
• Direct Text to Speech Translation System using Acoustic Units [12.36988942647101]
  本稿では,離散音響単位を用いた音声翻訳システムを提案する。 このフレームワークは、異なるソース言語のテキストを入力として使用し、この言語でテキストの書き起こしを必要とせずに、ターゲット言語で音声を生成する。 提案したアーキテクチャを、より多くの言語で事前訓練されたモデルで初期化すると、結果は顕著に改善される。
  論文  参考訳（メタデータ） (2023-09-14T07:35:14Z)
• Textless Unit-to-Unit training for Many-to-Many Multilingual Speech-to-Speech Translation [65.13824257448564]
  本稿では,多言語多言語音声音声合成のためのテキストレス学習手法を提案する。 音声単位を擬似テキストとして扱うことにより、音声の言語内容に焦点を合わせることができる。 提案するUTUTモデルは,音声音声合成(S2ST)だけでなく,多言語音声合成(T2S)やテキスト音声合成(T2ST)にも有効であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T15:47:04Z)
• Improving End-to-end Speech Translation by Leveraging Auxiliary Speech and Text Data [38.816953592085156]
  本稿では,事前学習したエンドツーエンド音声翻訳システムにテキストエンコーダを導入する方法を提案する。 これは、あるモダリティ(すなわち、ソース言語音声)を他の(すなわち、ソース言語テキスト)に適応する能力を高める。
  論文  参考訳（メタデータ） (2022-12-04T09:27:56Z)
• Enhanced Direct Speech-to-Speech Translation Using Self-supervised Pre-training and Data Augmentation [76.13334392868208]
  直接音声音声変換(S2ST)モデルは、データ不足の問題に悩まされる。 本研究では,この課題に対処するために,ラベルのない音声データとデータ拡張を用いた自己教師付き事前学習について検討する。
  論文  参考訳（メタデータ） (2022-04-06T17:59:22Z)
• BSTC: A Large-Scale Chinese-English Speech Translation Dataset [26.633433687767553]
  BSTC (Baidu Speech Translation Corpus) は、中国語と英語の大規模翻訳データセットである。 このデータセットは、約68時間のマンダリンデータを含む講演や講義のライセンス付きビデオのコレクションに基づいて構築されている。 3名の経験豊富な通訳者に、模擬会議の設定で同時にテストトークを解釈するよう依頼しました。
  論文  参考訳（メタデータ） (2021-04-08T07:38:51Z)
• Consecutive Decoding for Speech-to-text Translation [51.155661276936044]
  COnSecutive Transcription and Translation (COSTT)は、音声からテキストへの翻訳に不可欠な手法である。 鍵となるアイデアは、ソースの書き起こしとターゲットの翻訳テキストを1つのデコーダで生成することである。 本手法は3つの主流データセットで検証する。
  論文  参考訳（メタデータ） (2020-09-21T10:10:45Z)
• "Listen, Understand and Translate": Triple Supervision Decouples End-to-end Speech-to-text Translation [49.610188741500274]
  エンドツーエンドの音声テキスト翻訳(ST)は、ソース言語で音声を取り、ターゲット言語でテキストを出力する。 既存の方法は並列コーパスの量によって制限される。 並列STコーパスで信号を完全に活用するシステムを構築した。
  論文  参考訳（メタデータ） (2020-09-21T09:19:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。