Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2306.01201

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2306.01201 (cs)
[提交于 2023年6月1日 ]

标题: 何时发言的学习:离线模型同时语音到语音翻译中的延迟与质量权衡

标题: Learning When to Speak: Latency and Quality Trade-offs for Simultaneous Speech-to-Speech Translation with Offline Models

Authors:Liam Dugan, Anshul Wadhawan, Kyle Spence, Chris Callison-Burch, Morgan McGuire, Victor Zordan
摘要: 语音到语音翻译(S2ST)的近期工作主要集中在离线设置上,其中完整的输入语句在生成任何输出之前即可获得。 然而,在许多现实场景中,这并不合理。 在对延迟敏感的应用程序中,与其等待整个语句,不如在输入信息可用时立即提供翻译。 在这项工作中,我们介绍了一个面向实际应用场景的同步S2ST系统。 我们的系统支持从57种语言翻译成英语,并具有可调参数以动态调整输出的延迟——包括四种用于确定何时输出序列的策略。 我们展示了这些策略在延迟仅略有增加的情况下实现了与Greedy(等待-$k$)基线相当的离线水平准确性。 我们开源了我们的评估代码和交互式测试脚本,以促进未来同步S2ST研究和应用开发。
摘要: Recent work in speech-to-speech translation (S2ST) has focused primarily on offline settings, where the full input utterance is available before any output is given. This, however, is not reasonable in many real-world scenarios. In latency-sensitive applications, rather than waiting for the full utterance, translations should be spoken as soon as the information in the input is present. In this work, we introduce a system for simultaneous S2ST targeting real-world use cases. Our system supports translation from 57 languages to English with tunable parameters for dynamically adjusting the latency of the output -- including four policies for determining when to speak an output sequence. We show that these policies achieve offline-level accuracy with minimal increases in latency over a Greedy (wait-$k$) baseline. We open-source our evaluation code and interactive test script to aid future SimulS2ST research and application development.
评论: 将于2023年INTERSPEECH会议上发表
主题: 计算与语言 (cs.CL) ; 机器学习 (cs.LG); 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2306.01201 [cs.CL]
  (或者 arXiv:2306.01201v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2306.01201
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Liam Dugan [查看电子邮件]
[v1] 星期四, 2023 年 6 月 1 日 23:29:23 UTC (259 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-06
切换浏览方式为:
cs
cs.LG
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号