O artigo apresenta o CSSEL-P2P, uma abordagem orientada a dados para tradução simultânea de fala que evita as mudanças arquiteturais frágeis e as políticas explícitas de leitura/escrita frequentemente exigidas por sistemas LLM apenas de decodificador. O método utiliza blocos de comprimento fixo para decodificação em streaming cumulativo com um prefixo comprometido baseado em rewind, combinado com alvos prefix-to-prefix rotulados pelo professor e espera limitada para ajuste fino.
- O CSSEL-P2P melhora a qualidade do streaming em +1.54 COMETKiwi em relação à linha de base de streaming do CSSEL com latência comparável (+0.15s Average Lagging).
- A abordagem aborda desafios na fala conversacional onde os limites de segmentação são ambíguos, oferecendo uma alternativa eficaz a modificações arquiteturais complexas.
Isso demonstra que a tradução simultânea de fala pode ser alcançada efetivamente através da supervisão prefix-to-prefix sem exigir mudanças estruturais no modelo.