El artículo presenta CSSEL-P2P, un enfoque basado en datos para la traducción simultánea de voz que evita los frágiles cambios arquitectónicos y las políticas explícitas de lectura/escritura a menudo requeridas por los sistemas LLM solo de decodificador. El método utiliza bloques de longitud fija para la decodificación en streaming acumulativa con un prefijo comprometido basado en rebobinado, combinado con objetivos prefix-to-prefix etiquetados por el maestro y espera acotada para el ajuste fino.

  • CSSEL-P2P mejora la calidad del streaming en +1.54 COMETKiwi sobre la línea base de streaming CSSEL a una latencia comparable (+0.15s Average Lagging).
  • El enfoque aborda los desafíos en el habla conversacional donde los límites de segmentación son ambiguos, ofreciendo una alternativa efectiva a las modificaciones arquitectónicas complejas.

Esto demuestra que la traducción simultánea de voz puede lograrse eficazmente mediante la supervisión prefix-to-prefix sin necesidad de cambios estructurales en el modelo.