热点事件持续更新
端到端同声传译提交时机学习研究
1 篇报道1 个报道来源16 小时前 更新
先了解这件事
AI 综述
2026年10月5日，arXiv（Computation and Language，一手）报道一项关于端到端同声传译中提交时机学习的研究。研究通过前缀监督微调全语音语言模型，使其在源语音未结束前输出目标文本，无需转录或人工译文。实验覆盖 FLEURS 和 CoVoST2 的三个语言方向，结果显示多轮追加式解码在低延迟下表现更强，提交校准误差整体下降63–68%，早期前缀下降68–80%，置信度阈值提供最稳定的质延权衡区间。合成前缀密度较小时可延伸至更低延迟，密度过大则降低翻译质量与校准，呈现非单调权衡。目前报道仅涉及该研究的方法与实验结果，未提及其他后续进展。
AI 根据报道生成 · 16 小时前更新
最新进展10月5日 12:00
新研究称前缀监督微调可在源语音未结束前输出译文，校准误差显著下降。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv · Computation and Language端到端同声传译中基于部分语音学习提交时机
研究通过前缀监督微调全语音语言模型，使其在源语音未结束前输出目标文本，无需转录或人工译文。在 FLEURS 和 CoVoST2 三个语言方向上，多轮追加式解码在低延迟下表现更强，提交校准误差整体下降 63–68%、早期前缀下降 68–80%，置信度阈值提供最稳定的质延权衡区间。合成前缀密度较小时可延伸至更低延迟，过大则降低翻译质量与校准，呈现非单调权衡。
本事件热度走势
当前热度 7·可比范围峰值 10（10月5日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。