@进行中{pham-etal-2022-有效,title=“预处理模型的有效组合-{KIT}@{IWSLT}2022”,author=“Pham、Ngoc-Quan和阮、团南和阮、泰平和刘丹妮和穆洛夫、卡洛斯和Niehues、Jan和亚历山大·威贝尔”,editor=“Salesky、Elizabeth和费德里科、马塞洛和Costa juss{\`a},玛尔塔“,booktitle=“第19届国际口语翻译大会(IWSLT 2022)会议记录”,月=5月,年=“2022”,address=“爱尔兰都柏林(常驻和在线)”,publisher=“计算语言学协会”,url=“https://aclantology.org/2022.iwslt-1.14”,doi=“10.18653/v1/2022.iwslt-1.14”,pages=“190--197”,抽象=“声学和文本模式中的预训练模型可以潜在地改进级联和端到端方法的语音翻译。在本次评估中,我们旨在通过使用wav2vec、mBART50和DeltaLM模型来改进文本和语音翻译模型,从经验上寻找答案。实验表明,在语音翻译模型中,存在的se模型与先进的音频分割方法相结合,比以前的端到端系统提高了多达7个BLEU点。更重要的是,实验表明,如果有足够的数据和建模能力来克服训练困难,我们甚至可以超越竞争非常激烈的级联系统。在我们的实验中,这个差距可以大到2.0 BLEU点,这与Cascade多年来经常出现的差距相同。”,}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“pham-etal-2022-有效”><标题信息>预处理模型的有效组合套件@IWSLT2022</title></titleInfo><name type=“personal”>Ngoc-Quan范文<角色>作者</角色></name><name type=“personal”>团组名称阮<namePart type=“family”>阮</namePart><角色>作者</角色></name><name type=“personal”><namePart type=“given”>泰宾</namePart>阮<namePart type=“family”>阮</namePart><角色>作者</角色></name><name type=“personal”>丹尼<namePart type=“family”>刘</namePart><角色>作者</角色></name><name type=“personal”>卡洛斯穆洛夫<角色>作者</角色></name><name type=“personal”>一月尼胡斯<角色>作者</角色></name><name type=“personal”>亚历山大韦贝尔<角色>作者</角色></name><originInfo>2022-05发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>第19届国际口语翻译大会(IWSLT 2022)会议记录</titleInfo><name type=“personal”>伊丽莎白Salesky公司<角色>编辑器</角色></name><name type=“personal”>马塞洛费德里科<角色>编辑器</角色></name><name type=“personal”>玛尔塔Costa-jussá<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>爱尔兰都柏林(同人和在线)</地点></originInfo>会议出版物</relatedItem>声学和文本模式中的预训练模型可以潜在地改进级联和端到端方法的语音翻译。在本次评估中,我们旨在通过使用wav2vec、mBART50和DeltaLM模型来改进文本和语音翻译模型,从经验上寻找答案。实验表明,这些模型的存在以及先进的音频分割方法使其比以前的端到端系统改进了多达7个BLEU点。更重要的是,实验表明,如果有足够的数据和建模能力来克服训练困难,我们甚至可以超越竞争非常激烈的级联系统。在我们的实验中,这个差距可以大到2.0 BLEU点,这与Cascade多年来经常出现的差距相同</摘要><identifier type=“citekey”>pham-etal-2022有效</identifier>10.18653/v1/2022.iwslt-1.14<位置><网址>https://aclantology.org/2022.iwslt-1.14</url></位置><部分>2022-05年<扩展单元=“page”><开始>190<end>197</范围></部分></mods></modsCollection>
%0会议记录%预处理模型的有效组合套件@IWSLT2022%阿范,Ngoc-Quan%阮南阿%泰国阿阮%阿刘,丹妮%卡洛斯·马洛夫%A Niehues,简%亚历山大·威贝尔%Y Salesky,伊丽莎白%Y Federico,马塞洛%Y Costa jussà,玛尔塔%第19届国际口语翻译会议(IWSLT 2022)%D 2022年%5月8日%计算语言学协会%C都柏林,爱尔兰(现场和在线)%F相etal-2022有效%X声学和文本模式中的预训练模型可以潜在地改进级联和端到端方法的语音翻译。在本次评估中,我们旨在通过使用wav2vec、mBART50和DeltaLM模型来改进文本和语音翻译模型,从经验上寻找答案。实验表明,这些模型的存在以及先进的音频分割方法使其比以前的端到端系统改进了多达7个BLEU点。更重要的是,实验表明,如果有足够的数据和建模能力来克服训练困难,我们甚至可以超越竞争非常激烈的级联系统。在我们的实验中,这个差距可以大到2.0 BLEU点,这与Cascade多年来经常出现的差距相同。%R10.18653/v1/2022.iwslt-1.14%U型https://aclantology.org/2022.iwslt-1.14%U型https://doi.org/10.18653/v1/2022.iwslt-1.14%第190-197页
降价(非正式)
[预处理模型的有效组合-套件@IWSLT2022](https://aclantology.org/2022.iwslt-1.14)(Pham等人,IWSLT 2022)
国际计算语言学协会
- Ngoc-Quan Pham、Tuan Nam Nguyen、Thai-Pinh Nguyeen、Danni Liu、Carlos Mullov、Jan Niehues和Alexander Waibel。2022预处理模型的有效组合套件@IWSLT2022.英寸第19届国际口语翻译会议记录(IWSLT 2022),第190-197页,爱尔兰都柏林(同人和在线)。计算语言学协会。