端到端同声传译提交时机学习研究
Get the story
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。
Generated from reports · updated 16 hr ago
Timeline
Follow the coverage from different angles.
- 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。
Heat trend
Current heat 6·Comparable peak 10（Oct 5）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.