論文の概要: Learning When to Commit from Partial Speech for End-to-End Simultaneous Speech Translation

• arxiv url: http://arxiv.org/abs/2610.02612v1
• Date: Fri, 02 Oct 2026 00:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.132279
• Title: Learning When to Commit from Partial Speech for End-to-End Simultaneous Speech Translation
• Title（参考訳）: エンド・ツー・エンド同時音声翻訳における部分音声からのコミットの学習
• Abstract要約: 同時音声翻訳は、ソースが完了する前に有効なターゲットテキストを出力し、全てのコミットトークンを保存しなければならない。 我々は,その完全および部分波形の翻訳から派生したプレフィックス・インスペクションを用いて,全音声言語モデルを適用する。 単ターン強制と多ターン付加のみの復号を比較し、信頼しきい値を用いて推論時間品質-遅延トレードオフを制御し、異なるマージンでトレーニングプレフィックスの密度を変化させる。
• 参考スコア（独自算出の注目度）: 2.6371884203154186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simultaneous speech translation must emit useful target text before the source is complete while preserving every committed token. We adapt a full-utterance speech language model using prefix supervision derived from its own complete- and partial-waveform translations, requiring neither transcripts nor human translations. We compare single-turn forced-prefix and multi-turn append-only decoding, use a confidence threshold to control the inference-time quality--latency trade-off, and vary the density of training prefixes with a separate synthesis margin. On FLEURS and CoVoST2 in three language directions, prefix training improves quality--latency frontiers over the unadapted model, and confidence provides the broadest consistently competitive operating range. Multi-turn decoding is generally stronger at low latency; under multi-turn training, commit-calibration error falls by 63--68% overall and 68--80% at early prefixes, whereas single-turn training provides only modest overall calibration gains and no early-prefix improvement. A small synthesis margin sometimes extends the frontier to lower latency, particularly on shorter utterances, while a larger margin degrades translation quality and calibration. Prefix adaptation therefore improves simultaneous speech translation, especially under multi-turn append-only decoding, while synthesis density introduces a non-monotonic quality--latency trade-off.
• Abstract（参考訳）: 同時音声翻訳は、ソースが完了する前に有効なターゲットテキストを出力し、全てのコミットトークンを保存しなければならない。 そこで本研究では,全音声言語モデルに適用し,全文と部分波形の翻訳から派生したプレフィックス・インスペクションを応用し,文字起こしも人文翻訳も必要としない。 単ターン強制修正と多ターン付加限定復号を比較し、信頼しきい値を用いて推論時間品質-遅延トレードオフを制御し、異なる合成マージンでトレーニングプレフィックスの密度を変化させる。 3つの言語方向のFLEURSとCoVoST2では、プレフィックストレーニングは未適応モデルに対する品質-レイテンシのフロンティアを改善し、信頼性は最も幅広い競争力のある操作範囲を提供する。 マルチターントレーニングではコミット校正エラーが63～68%、初期プレフィックスでは68～80%減少する一方、シングルターントレーニングでは、全体的なキャリブレーションがわずかに増加し、早期修正の改善が得られない。 小さな合成マージンは、フロンティアを低レイテンシ、特に短い発話で拡張することがあるが、大きなマージンは翻訳品質とキャリブレーションを低下させる。 したがって、プレフィックス適応は、特にマルチターン付加専用復号法において、同時音声翻訳を改善する一方、合成密度は非単調な品質-遅延トレードオフをもたらす。

関連論文リスト

• Dynamic Lagging for Simultaneous Translation [2.6371884203154186]
  同時音声翻訳では、上流認識器の読み書きスケジュールを機械翻訳システムでは制御できない。 文訓練されたデコーダのみのLLMプレフィックスを安定なプレフィックスに微調整することで認識する。 その信頼性に関するトレーニングなしのしきい値が、私たちが比較した3つのレイテンシコントロールの中で、最も効果的です。
  論文  参考訳（メタデータ） (2026-09-05T01:27:19Z)
• Simultaneous Speech-to-Speech Translation Without Aligned Data [52.467808474293605]
  同時音声翻訳では、ソース音声を対象言語にリアルタイムで翻訳する必要がある。 単語レベルのアライメントを完全に不要にするヒビキゼロを提案する。 Hibiki-Zeroは5つのX-英語タスクの翻訳精度、レイテンシ、音声転送、自然性において最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-02-11T17:41:01Z)
• Seed LiveInterpret 2.0: End-to-end Simultaneous Speech-to-speech Translation with Your Voice [52.747242157396315]
  同時解釈 (SI) は、翻訳業界における最強のフロンティアの1つである。 Seed-LiveInterpret 2.0は、音声のクローン機能を備えた高忠実で低レイテンシな音声音声合成を実現するエンドツーエンドのSIモデルである。
  論文  参考訳（メタデータ） (2025-07-23T14:07:41Z)
• Data-Driven Adaptive Simultaneous Machine Translation [51.01779863078624]
  適応型SimulMTのための新しい,効率的なトレーニング手法を提案する。 本手法は,翻訳の質やレイテンシという点で,全ての強靭なベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-04-27T02:40:21Z)
• DEEP: DEnoising Entity Pre-training for Neural Machine Translation [123.6686940355937]
  機械翻訳モデルは通常、トレーニングコーパスで稀な名前付きエンティティの翻訳を貧弱に生成することが示されている。 文中の名前付きエンティティ翻訳精度を向上させるために,大量のモノリンガルデータと知識ベースを利用するDenoising Entity Pre-training法であるDEEPを提案する。
  論文  参考訳（メタデータ） (2021-11-14T17:28:09Z)
• Opportunistic Decoding with Timely Correction for Simultaneous Translation [28.897290991945734]
  本稿では,時間的補正能力を持つ機会論的復号手法を提案する。 実験の結果,中国語と英語と中国語の翻訳では8%以下で,レイテンシの大幅な低減とBLEUの+3.1増加を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-05-02T01:41:02Z)

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。