L'article présente CSSEL-P2P, une approche pilotée par les données pour la traduction simultanée de la parole qui évite les modifications architecturales fragiles et les politiques explicites de lecture/écriture souvent requises par les systèmes LLM à décodeur unique. La méthode utilise des chunks de longueur fixe pour le décodage en streaming cumulatif avec un préfixe engagé basé sur le retour en arrière, combiné à des cibles préfixe-à-préfixe étiquetées par l'enseignant et une attente bornée pour le fine-tuning.
- CSSEL-P2P améliore la qualité du streaming de +1.54 COMETKiwi par rapport à la ligne de base de streaming CSSEL à une latence comparable (+0.15s de retard moyen).
- L'approche traite les défis de la parole conversationnelle où les limites de segmentation sont ambiguës, offrant une alternative efficace aux modifications architecturales complexes.
Cela démontre que la traduction simultanée de la parole peut être réalisée efficacement par une supervision préfixe-à-préfixe sans nécessiter de changements structurels au modèle.