本記事では、CSSEL-P2Pというデータ駆動型の同時音声翻訳手法を紹介しています。この手法は、デコーダーのみを使用するLLMシステムでしばしば必要とされる脆いアーキテクチャ変更や明示的な読み書きポリシーを回避します。この方法は、巻き戻しベースのコミット済みプレフィックスを用いた累積ストリーミングデコーディングのための固定長チャンク、教師ラベル付きプレフィックス・ツー・プレフィックスターゲット、およびファインチューニング用の制限付き待機を組み合わせて利用しています。

  • CSSEL-P2Pは、同等のレイテンシ（平均遅延+0.15秒）において、CSSELストリーミングベースラインと比較してCOMETKiwiで+1.54向上し、ストリーミング品質を改善します。
  • このアプローチは、セグメンテーションの境界が曖昧な会話音声における課題に対処し、複雑なアーキテクチャ変更に対する効果的な代替案を提供します。

これは、モデルへの構造的変更を必要とせずに、プレフィックス・ツー・プレフィックスの教師ありによって同時音声翻訳を効果的に達成できることを示しています。