语言扩展中的任务算术在语音翻译中的应用

提出了一种简单且有效的多语言端到端语音翻译框架，证明了其在自动语音识别和机器翻译中的有效性。

通过微调多语种预训练语言模型XGLM-7B，展示了其在翻译任务中的强大能力，依赖于对翻译指令的理解和语言对齐。

提出了一种新颖的框架，使用偏好损失引导大型语言模型学习翻译，实验结果表明该方法优于现有方法。

研究提出了LST，一个大型多模型，优化端到端语音翻译任务的性能，LST-13B在MuST-C基准测试中取得了新的技术水平。

通过多任务学习，显著提高了端到端语音翻译的性能，提出了一种改进的方法，达到了最先进的结果。

介绍了基于预训练大型语言模型的语音翻译模型LLM-ST，能够准确生成带时间戳的转录和翻译，展示了卓越性能。

通过两阶段微调算法，改善了大型语言模型遵循翻译指示的能力，降低了错位翻译比率，提高了翻译质量。

提出BLOOMZMMS，旨在利用大型语言模型的能力进行语音识别，验证了语言知识的可传递性。

模块化深度学习和语言算术显著提升了多语言性能，提出基于权重解耦的方法，成功将多语种能力注入指令跟随能力模型。