@在过程中{张森里奇-2021-爱丁堡,title=“{E}丁堡{'}为{IWSLT}2021开发的端到端多语言语音翻译系统”,author=“张彪里科·森里奇“,editor=“费德里科、马塞洛和Waibel、Alex和Costa-juss{\`a},Marta R.和Niehues、Jan和Stuker、Sebastian和Elizabeth Salesky”,booktitle=“第十八届国际口语翻译大会(IWSLT 2021)会议记录”,月=八月,年=“2021”,address=“泰国曼谷(在线)”,publisher=“计算语言学协会”,url=“https://aclantology.org/2021.iwslt-1.19”,doi=“10.18653/v1/2021.iwslt-1.19”,pages=“160--168”,abstract=“本文描述了爱丁堡{'}提交给IWSLT2021多语种语音翻译(ST)任务的材料。我们旨在改进多语种翻译和受限环境下的零快照性能(不使用任何额外的训练数据)通过鼓励转移学习的方法和使用高级神经组件的更大容量建模。我们基于Transformer构建了端到端的多语言ST模型,集成了自适应语音特征选择、特定语言建模、多任务学习、深度和大型Transformer、稀疏线性注意力和均方根层归一化等技术。我们使用机器翻译模型对ST进行数据增强,将零快照问题转化为零源问题。实验结果表明,这些方法取得了显著的改进,平均BLEU超过了官方基准值{textgreater}15,平均BLUE超过了级联系统的{textgreeter}2。我们的最终提交获得了竞争性表现(亚军)。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“zhang-sennrich-2021-edinburghs”><标题信息>爱丁堡IWSLT 2021的端到端多语言语音翻译系统</titleInfo><name type=“personal”><namePart type=“given”>彪<namePart type=“family”>张<角色>作者</角色></name><name type=“personal”>Rico(Rico)Sennrich<角色>作者</角色></name><originInfo><发布日期>2021-08</发布日期></originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第18届国际口语翻译大会(IWSLT 2021)会议记录</titleInfo><name type=“personal”>马塞洛费德里科<角色>编辑器</角色></name><name type=“personal”>亚历克斯韦贝尔<角色>编辑器</角色></name><name type=“personal”>玛尔塔<namePart type=“given”>R</namePart>Costa-jussá<角色>编辑器</角色></name><name type=“personal”>一月尼胡斯<角色>编辑器</角色></name><name type=“personal”>塞巴斯蒂安<namePart type=“family”>斯塔克<角色>编辑器</角色></name><name type=“personal”>伊丽莎白Salesky公司<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>泰国曼谷(在线)</place></originInfo>会议出版物</relatedItem>本文描述了爱丁堡提交给IWSLT2021多语种语音翻译(ST)任务的材料。我们的目标是通过鼓励转移学习和使用高级神经组件进行更大容量建模的方法,在受限环境下(不使用任何额外的训练数据)改进多语言翻译和零快照性能。我们构建了基于Transformer的端到端多语言ST模型,集成了自适应语音特征选择、特定语言建模、多任务学习、深度和大型Transformer、稀疏线性注意和均方根层归一化等技术。我们使用机器翻译模型对ST进行数据扩充,将零镜头问题转换为零资源问题。实验结果表明,这些方法取得了显著的改进,超过了官方基准的15个平均BLEU,超过了级联系统的2个平均BLUE。我们的最终提交获得了竞争性表现(亚军)</摘要>zhang-sennrich-2021-爱丁堡10.18653/v1/2021.iwslt-1.19<位置><网址>https://aclantology.org/2021.iwslt-1.19</url></位置><部分>2021-08年<扩展单元=“page”><开始>160<end>168</end></范围></部分></mods></modsCollection>
%0会议记录%爱丁堡IWSLT 2021的端到端多语言语音翻译系统%张彪%A Sennrich,里科%Y Federico,马塞洛%亚历克斯·Y·威贝尔%Y Costa-jussá,Marta R。%Y Niehues,简%塞巴斯蒂安·Y·斯塔克%Y Salesky,伊丽莎白%第18届国际口语翻译会议(IWSLT 2021)%D 2021年%8月8日%I计算语言学协会%C泰国曼谷(在线)%F zhang-sennrich-2021-爱丁堡%本文描述了爱丁堡提交给IWSLT2021多语种语音翻译(ST)任务的材料。我们的目标是通过鼓励迁移学习和使用高级神经组件进行更大容量建模的方法,在受限环境中(不使用任何额外的训练数据)提高多语言翻译和零镜头性能。我们构建了基于Transformer的端到端多语言ST模型,集成了自适应语音特征选择、特定语言建模、多任务学习、深度和大型Transformer、稀疏线性注意和均方根层归一化等技术。我们使用机器翻译模型对ST进行数据增强,将零快照问题转化为零源问题。实验结果表明,这些方法取得了显著的改进,超过了官方基准的15个平均BLEU,超过了级联系统的2个平均BLUE。我们的最终提交获得了竞争性表现(亚军)。%R 10.18653/v1/2021.iwslt-1.19%U型https://aclantology.org/2021.iwslt-1.19%U型https://doi.org/10.18653/v1/2021.iwslt-1.19%电话:160-168
降价(非正式)
【爱丁堡IWSLT 2021的端到端多语言语音翻译系统】(https://aclantology.org/2021.iwslt-1.19)(Zhang&Sennrich,IWSLT 2021)
国际计算语言学协会