NAVER LABSは、IWSLT 2026共有タスクの制約条件付き短音声トラック向けに、そのパイプラインを再実装しました。これは、音声エンコーダーとしてSeamlessM4T-v2-largeを、LLMバックボーンとしてQwen3-4B-Instructを使用しています。チームは、プロジェクターアライメント、テキストのみのLoRA事前学習、マルチモーダルマージングという元の3段階のアプローチを維持しつつ、10のタスクタイプにわたって10万個の合成指示追従例を作成しました。

  • システムはIWSLT 2026共有タスクの必須コンポーネントに適応します。
  • ステージ3のファインチューニング用に提供されたコーパスから10万個の合成例（タスクごとに1万個）を生成します。
  • 主要モデルはEN-ZH音声翻訳においてCOMETスコア0.781を達成しました。
  • MCIFベンチマーク内の英語SQAにおいてBERTScore-F1 0.346に達しました。

この再実装は、指定されたベンチマークで強力なパフォーマンス指標を達成する際に、適応されたパイプラインの有効性を示しています。