論文の概要: VoxSumm: A Multilingual Corpus of Long-Form Spoken News for Joint Summarization and Translation
- arxiv url: http://arxiv.org/abs/2608.10359v1
- Date: Tue, 11 Aug 2026 01:33:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.858805
- Title: VoxSumm: A Multilingual Corpus of Long-Form Spoken News for Joint Summarization and Translation
- Title(参考訳): VoxSumm: 連体要約と翻訳のための長文ニュースの多言語コーパス
- Abstract要約: 長期文書要約研究はテキスト中心であるが、多言語音声研究は翻訳を優先している。
共同音声要約翻訳(JSumT)の形式化により,この方法論的ギャップに対処する。
このタスクのための最初の多言語および多言語間ベンチマークであるVoxSummを紹介する。
- 参考スコア(独自算出の注目度): 15.214203270614535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As information increasingly traverses linguistic boundaries, users require concise cross-lingual representations of long-form content. Nevertheless, long-document summarization research remains text-centric, whereas multilingual speech research has largely prioritized translation, preserving source content rather than compressing it. We address this methodological gap by formalizing joint speech summarization and translation (JSumT): the generation of a succinct, faithful target-language summary directly from a long spoken document in a source language. We additionally introduce VoxSumm, the first multilingual and cross-lingual benchmark for this task, comprising 10,045 BBC article-summary pairs across 24 languages and encompassing approximately 703 hours of speech data. Our evaluation of representative speech-language models reveals pronounced variation across models and generation settings: Gemini3.1-Pro demonstrates the greatest consistency, summarization into English generally surpasses generation into non-English target languages, and translating an entire document before summarization compounds instruction-following failures. Through the release of VoxSumm, we establish a foundation for developing and evaluating multilingual systems capable of jointly interpreting, compressing, and translating long-form speech.
- Abstract(参考訳): 情報が言語境界を横切るにつれて、ユーザは長文の簡潔な言語間表現を必要とする。
それでも、長期文書要約研究はテキスト中心であり、多言語音声研究は翻訳を優先し、圧縮するのではなくソースコンテンツを保存している。
本手法は, 音声の要約と翻訳(JSumT)を形式化し, より簡潔で忠実な目標言語要約を, ソース言語の長文文書から直接生成する手法である。
また、VoxSummは、24言語にまたがるBBC記事要約ペア10,045、約703時間の音声データを含む、このタスクのための最初の多言語および多言語間ベンチマークである。
Gemini3.1-Proは、最大一貫性を示し、英語への要約は、一般的には、生成を非英語のターゲット言語に超越し、要約化合物の命令追従失敗の前に文書全体を翻訳する。
我々はVoxSummのリリースを通じて、長文音声を共同で解釈、圧縮、翻訳できる多言語システムの開発と評価の基礎を確立した。
関連論文リスト
- Evaluating Cross-Lingual Classification Approaches Enabling Topic Discovery for Multilingual Social Media Data [1.0025691625593705]
本研究では、言語間テキスト分類における異なるアプローチが、グローバルな会話の信頼性分析にどう役立つかを検討する。
水素エネルギーをケーススタディとして、英語、日本語、ヒンディー語、韓国語で900万以上のツイートを10年間にわたって分析しました。
論文 参考訳(メタデータ) (2026-02-19T03:46:11Z) - Multilingual Extraction and Recognition of Implicit Discourse Relations in Speech and Text [2.8547732086436306]
暗黙の談話関係分類は文脈から意味を推測する必要があるため、難しい課題である。
本稿では,英語,フランス語,スペイン語の暗黙的談話関係のための多言語・多モーダルデータセットを構築するために,遠隔関係および非関連言語ペアの自動手法を提案する。
論文 参考訳(メタデータ) (2026-02-04T22:50:27Z) - PART: Progressive Alignment Representation Training for Multilingual Speech-To-Text with LLMs [58.2469845374385]
進歩的アライメント表現訓練(PART)について紹介する。
Partは多段階およびマルチタスクのフレームワークで、言語内のアライメントと言語間のアライメントを分離する。
CommonVoice 15の実験では、Fleurs、Wenetspeech、CoVoST2が、Particleが従来のアプローチを上回ることを示している。
論文 参考訳(メタデータ) (2025-09-24T03:54:14Z) - Wav2Gloss: Generating Interlinear Glossed Text from Speech [78.64412090339044]
音声から4つの言語アノテーションを自動抽出するタスクであるWav2Glossを提案する。
音声からのインターリニア・グロッシド・テキスト・ジェネレーションの今後の研究の基盤となる基盤となるものについて述べる。
論文 参考訳(メタデータ) (2024-03-19T21:45:29Z) - ComSL: A Composite Speech-Language Model for End-to-End Speech-to-Text
Translation [79.66359274050885]
公的な事前訓練された音声のみのモデルと言語のみのモデルからなる複合アーキテクチャ上に構築された音声言語モデルであるComSLを提案する。
提案手法は,エンドツーエンドの音声-テキスト翻訳タスクにおいて有効であることを示す。
論文 参考訳(メタデータ) (2023-05-24T07:42:15Z) - $\mu$PLAN: Summarizing using a Content Plan as Cross-Lingual Bridge [72.64847925450368]
言語間の要約は、異なる言語で入力文書が与えられた1つの言語で要約を生成することで構成される。
この研究は、中間計画段階を言語横断橋として利用する言語横断要約へのアプローチである$mu$PLANを提示する。
論文 参考訳(メタデータ) (2023-05-23T16:25:21Z) - Models and Datasets for Cross-Lingual Summarisation [78.56238251185214]
対象言語における多文要約に関連付けられたソース言語において,長い文書を含む言語間要約コーパスを提案する。
コーパスは、チェコ語、英語、フランス語、ドイツ語の4つの言語について、12の言語対と指示をカバーしている。
言語対応のウィキペディアのタイトルから、主節と記事の本体を組み合わせることで、ウィキペディアから言語横断的な文書要約インスタンスを導出する。
論文 参考訳(メタデータ) (2022-02-19T11:55:40Z) - Multi-SimLex: A Large-Scale Evaluation of Multilingual and Cross-Lingual
Lexical Semantic Similarity [67.36239720463657]
Multi-SimLexは、12の異なる言語のデータセットをカバーする大規模な語彙リソースと評価ベンチマークである。
各言語データセットは、意味的類似性の語彙的関係に注釈付けされ、1,888のセマンティック・アライメント・コンセプト・ペアを含む。
言語間の概念の整合性のため、66の言語間セマンティック類似性データセットを提供する。
論文 参考訳(メタデータ) (2020-03-10T17:17:01Z)
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。