論文の概要: DASpeech: Directed Acyclic Transformer for Fast and High-quality Speech-to-Speech Translation

• arxiv url: http://arxiv.org/abs/2310.07403v1
• Date: Wed, 11 Oct 2023 11:39:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-12 23:02:03.861470
• Title: DASpeech: Directed Acyclic Transformer for Fast and High-quality Speech-to-Speech Translation
• Title（参考訳）: DASpeech: 高速かつ高品質な音声音声合成用非周期変換器
• Authors: Qingkai Fang, Yan Zhou, Yang Feng
• Abstract要約: 直接音声音声変換(S2ST)は、1つのモデルを用いて、ある言語から別の言語に音声を翻訳する。 言語的および音響的多様性が存在するため、ターゲット音声は複雑な多モーダル分布に従う。 高速かつ高品質なS2STを実現する非自己回帰直接S2STモデルであるDASpeechを提案する。
• 参考スコア（独自算出の注目度）: 36.126810842258706
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Direct speech-to-speech translation (S2ST) translates speech from one language into another using a single model. However, due to the presence of linguistic and acoustic diversity, the target speech follows a complex multimodal distribution, posing challenges to achieving both high-quality translations and fast decoding speeds for S2ST models. In this paper, we propose DASpeech, a non-autoregressive direct S2ST model which realizes both fast and high-quality S2ST. To better capture the complex distribution of the target speech, DASpeech adopts the two-pass architecture to decompose the generation process into two steps, where a linguistic decoder first generates the target text, and an acoustic decoder then generates the target speech based on the hidden states of the linguistic decoder. Specifically, we use the decoder of DA-Transformer as the linguistic decoder, and use FastSpeech 2 as the acoustic decoder. DA-Transformer models translations with a directed acyclic graph (DAG). To consider all potential paths in the DAG during training, we calculate the expected hidden states for each target token via dynamic programming, and feed them into the acoustic decoder to predict the target mel-spectrogram. During inference, we select the most probable path and take hidden states on that path as input to the acoustic decoder. Experiments on the CVSS Fr-En benchmark demonstrate that DASpeech can achieve comparable or even better performance than the state-of-the-art S2ST model Translatotron 2, while preserving up to 18.53x speedup compared to the autoregressive baseline. Compared with the previous non-autoregressive S2ST model, DASpeech does not rely on knowledge distillation and iterative decoding, achieving significant improvements in both translation quality and decoding speed. Furthermore, DASpeech shows the ability to preserve the speaker's voice of the source speech during translation.
• Abstract（参考訳）: direct speech-to-speech translation (s2st) は1つのモデルを用いて、ある言語から別の言語への音声翻訳を行う。 しかし、言語的・音響的多様性があるため、ターゲット音声は複雑なマルチモーダル分布に従い、s2stモデルの高品質翻訳と高速復号化を実現するための課題となっている。 本稿では,高速かつ高品質なS2STを実現する非自己回帰直接S2STモデルであるDASpeechを提案する。 ターゲット音声の複雑な分布をよりよく捉えるために、daspeechは2パスアーキテクチャを採用して生成プロセスを2つのステップに分解し、まず言語デコーダがターゲットテキストを生成し、次に言語デコーダの隠れた状態に基づいて音響デコーダがターゲット音声を生成する。 具体的には,DA-Transformerのデコーダを言語デコーダとし,FastSpeech 2を音響デコーダとして使用する。 DA-Transformerは、有向非巡回グラフ(DAG)による翻訳をモデル化する。 トレーニング中のDAGの潜在経路をすべて考慮し、動的プログラミングにより各ターゲットトークンの隠れ状態を予測し、音響デコーダに供給して目標メルスペクトルを予測する。 推測中、最も確率の高い経路を選択し、その経路に隠れた状態を音響復号器の入力として取る。 CVSS Fr-Enベンチマークの実験では、DASpeechは最先端のS2STモデルTranslatotron 2と同等またはそれ以上の性能を達成でき、オートレグレッシブベースラインに比べて18.53倍のスピードアップを保っている。 従来の非自己回帰S2STモデルと比較して、DASpeechは知識の蒸留や反復的復号化に頼らず、翻訳品質と復号速度の両方で大幅に改善されている。 さらに、DASpeechは、翻訳中にソース音声の話者の声を保存する能力を示す。

関連論文リスト

• A Non-autoregressive Generation Framework for End-to-End Simultaneous Speech-to-Speech Translation [48.84039953531355]
  同時音声翻訳のための新しい非自己回帰生成フレームワーク(NAST-S2X)を提案する。 NAST-S2Xは、音声テキストと音声音声タスクを統合エンドツーエンドフレームワークに統合する。 3秒未満の遅延で高品質な同時解釈を実現し、オフライン生成において28倍のデコードスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-06-11T04:25:48Z)
• RepCodec: A Speech Representation Codec for Speech Tokenization [21.60885344868044]
  RepCodecは意味的音声トークン化のための新しい表現である。 RepCodecは、音声認識と生成の両方において広く使われているk-meansクラスタリング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-31T23:26:10Z)
• UnitY: Two-pass Direct Speech-to-speech Translation with Discrete Units [64.61596752343837]
  本稿では,まずテキスト表現を生成し,離散音響単位を予測する2パス直接S2STアーキテクチャであるUnitYを提案する。 第1パスデコーダのサブワード予測によりモデル性能を向上させる。 提案手法は,第2パスのスペクトルを予測しても性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-12-15T18:58:28Z)
• TranSpeech: Speech-to-Speech Translation With Bilateral Perturbation [61.564874831498145]
  TranSpeechは、両側摂動を伴う音声から音声への翻訳モデルである。 我々は,非自己回帰S2ST手法を構築し,繰り返しマスキングを行い,単位選択を予測する。 TranSpeechは推論遅延を大幅に改善し、自動回帰技術よりも最大21.4倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2022-05-25T06:34:14Z)
• Wav2Seq: Pre-training Speech-to-Text Encoder-Decoder Models Using Pseudo Languages [58.43299730989809]
  本稿では,音声データに対するエンコーダ・デコーダモデルの両部分を事前学習するための,最初の自己教師型アプローチであるWav2Seqを紹介する。 我々は、コンパクトな離散表現として擬似言語を誘導し、自己教師付き擬似音声認識タスクを定式化する。 このプロセスは独自のものであり、低コストの第2段階のトレーニングとして適用することができる。
  論文  参考訳（メタデータ） (2022-05-02T17:59:02Z)
• Pre-Training Transformer Decoder for End-to-End ASR Model with Unpaired Speech Data [145.95460945321253]
  本稿では,音響単位,すなわち擬似符号を用いたエンコーダ・デコーダネットワークのための2つの事前学習タスクを提案する。 提案したSpeech2Cは,デコーダを事前学習することなく,単語誤り率(WER)を19.2%削減できる。
  論文  参考訳（メタデータ） (2022-03-31T15:33:56Z)
• Dual-decoder Transformer for Joint Automatic Speech Recognition and Multilingual Speech Translation [71.54816893482457]
  自動音声認識(ASR)と多言語音声翻訳(ST)を共同で行う新しいモデルアーキテクチャであるデュアルデコーダトランスフォーマを導入する。 我々のモデルはオリジナルのTransformerアーキテクチャに基づいているが、2つのデコーダで構成されており、それぞれが1つのタスク(ASRまたはST)を担っている。
  論文  参考訳（メタデータ） (2020-11-02T04:59:50Z)

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。