BriefGPT - AI 论文速递
·
卡内基梅隆大学的IWSLT 2024同步语音翻译系统
内容提要
本文讨论了多个团队在IWSLT评估中提交的语音翻译系统，包括USTC-NEL、ON-TRAC、UPC等。这些系统采用了HMM、Transformer和注意力机制等不同模型和技术，显著提升了BLEU分数，展示了语音翻译领域的进展与潜力。
关键要点
-
USTC-NEL系统在2018年IWSLT评估中使用传统管道系统，BLEU分数提升14.9。
-
ON-TRAC Consortium在2020年IWSLT评估中使用基于注意力机制的模型，探讨了延迟-质量折衷的算法。
-
UPC机器翻译小组在2021年IWSLT中提交的系统使用Wav2Vec 2.0和mBART，获得28.22的BLEU分数。
-
Volctrans团队在IWSLT 2021中实现了离线语音翻译和文本-文本翻译，BLEU分数提升8.1。
-
NiuTrans系统在IWSLT 2021中采用Transformer模型，最终达到33.84 BLEU点。
-
悉尼大学＆JD在低资源语音翻译任务中获得最佳分数，采用多种技术方法和新颖的预训练方法。
-
YiTrans系统在IWSLT 2022中通过多阶段预训练和数据增强等方法，性能优于去年的最优系统。
-
NAIST在IWSLT 2024中开发了多语言端到端语音文本翻译模型，结合了HuBERT和mBART。
延伸问答
IWSLT 2024中有哪些团队提交了语音翻译系统？
在IWSLT 2024中，NAIST团队提交了多语言端到端语音文本翻译模型。
USTC-NEL系统在IWSLT 2018的表现如何？
USTC-NEL系统在IWSLT 2018中实现了14.9的BLEU分数提升。
ON-TRAC Consortium在IWSLT 2020中使用了什么技术？
ON-TRAC Consortium在IWSLT 2020中使用了基于注意力机制的模型，并探讨了延迟-质量折衷的算法。
NiuTrans系统在IWSLT 2021中取得了什么成绩？
NiuTrans系统在IWSLT 2021中采用Transformer模型，最终达到33.84 BLEU点。
悉尼大学和JD在低资源语音翻译任务中取得了什么成就？
悉尼大学和JD在低资源语音翻译任务中获得最佳分数，采用了多种技术方法和新颖的预训练方法。
YiTrans系统在IWSLT 2022中的表现如何？
YiTrans系统在IWSLT 2022中通过多阶段预训练和数据增强等方法，性能优于去年的最优系统。
