英文题目：Persistent Delivery Optimization for Streaming Speech-to-Text Translation with Revisions
标签：#语音翻译 | #强化学习 | #流式处理 | #多语言
评分：7.1/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5
👥 作者与机构
- Zixiang Wan：机构信息未在 arXiv HTML 中可靠披露
- Delin Chen：机构信息未在 arXiv HTML 中可靠披露
- Wei Shi：机构信息未在 arXiv HTML 中可靠披露
- Haihua Xu：机构信息未在 arXiv HTML 中可靠披露
- Youxi Xie：机构信息未在 arXiv HTML 中可靠披露
- Yuexian Zou：机构信息未在 arXiv HTML 中可靠披露
📌 核心摘要
可修订流式语音到文本翻译（streaming speech-to-text translation，S2TT）需从增量英文语音持续输出目标语言文本，难点是早期证据不足时抢发易产生随后被撤回的临时内容，而基于当前可见草稿的过程奖励会把短暂正确的片段也提前记功。方法链分三步衔接：先冻结 Qwen3-ASR-1.7B 主干并训练目标任务低秩适配与历史模块得到流式监督初值，再用冻结父策略闭环 rollout 缓存模型自生历史以训练历史条件策略，其中历史经门控交叉注意力注入上层解码器，最后以持久投递优化（Persistent Delivery Optimization，PDO）做强化学习微调。与直接奖励当前可见草稿不同，PDO 仅累积在所有后续修订中存活的最长公共前缀的参考覆盖，并单列终稿质量项，完整轨迹回报让后期修订决定早期记功，早存活内容累积更多源时间信用。该机制使系统在首发时刻不变下更早固化终稿内容，并在跨域零样本下仍减少擦除与终结感知延迟。FLEURS 测试集英译 5 方向宏平均上 PDO 相对 History-SFT 基线提升 BLEU 至 31.58 且平均终结感知延迟下降，证明更早稳定而非更晚首发。结论限于 2 秒更新网格的短句朗读翻译与词级稳定度量，对长语音、无限流与人感可读性尚未验证。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
本次未形成可展示的已核验资源记录，开放状态尚未核实。
可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。
🧭 深度解读
输入是什么，输出是什么，为什么不能一次等听完再翻？
这篇论文研究的任务是流式语音到文本翻译。输入是连续到达的英语源语音，输出是目标语言文本，覆盖中文、德语、西班牙语、日语和法语 5 个方向。系统在语音还没有播完时就要开始显示译文草稿，并且随着听到更多语音，可以修改已经显示过的草稿。目标是在翻译质量和延迟之间取得平衡，还要控制修订带来的闪烁。必须保留的信息是系统没有中间源语言转写，直接从语音生成目标文本。
输出不是 1 次性终稿，而是一串随时间更新的可见草稿序列。读完本解读，你应能复述持续交付奖励如何定义、历史条件策略如何训练、以及实验在什么数据和更新网格上比较了哪些基线。教学例子是：假设英语说了前 2 秒，系统先显示一句中文草稿，听到第三秒后发现主语理解错了，于是改写前半句，这个改写动作就是修订，第 1 次显示的时刻是出现，之后不再变化的时刻是终结。
单调流式与可修订重翻译处在同一条路线吗？
单调流式系统一旦输出就不可撤销，典型做法包括等待固定词数的解码、基于注意力判断发射时机，以及把这类策略扩展到大规模预训练模型。它的优点是显示稳定，缺点是早期依据不足时的错误无法纠正。可修订重翻译允许每次更新都重新生成完整草稿并替换上一版，先前工作用掩码、偏置解码、自训练和限制修订范围来减少闪烁，并用终结时刻和擦除量来度量稳定。
论文把自己放在端到端直接流式一侧，区别在于不研究一般的质量延迟权衡，而是研究修订特有的记功错误。策略学习一侧已有用中间翻译质量奖励和联合优化质量延迟的工作，论文明确指出它要解决的是可见文本奖励在文本被撤回后仍然留存的问题。相关工作对照时不能把类别差异当成同条件胜负，例如带源转写的中介系统和直接系统在输入条件上不同，比较时需要说明该差异。
为什么对着当前可见译文打分会奖励随后被删掉的词？
在可修订设置里，首次出现和最终确定是两个时刻。单调系统显示什么就提交什么，当前可见即已提交。修订系统当前可见的词可能在下 1 秒被改掉或删除。如果过程奖励直接看当前可见草稿与参考的匹配程度，那么一个暂时命中参考但随后被撤回的片段也会拿到早期输出奖励。从学习角度看，这会鼓励模型先猜一个看起来像参考的词，即使它很快会被推翻。
论文把这称为可见性与交付的不匹配。解决思路是只奖励既早出现又在后续所有修订中保留下来的内容，被修订或删除的文本不再保留早期显示的好处。
可见草稿 × 持续交付： 可见草稿指每个语音更新时刻显示给用户的当前译文，它可以被后续修订改变；持续交付指其中经受住所有后续修订、一直保留到最终译文的前缀部分。论文把两者分开的原因是，只看可见草稿会把临时出现又被删掉的词也算成早期送达，而持续交付只对留存部分按停留时间记功，组合后奖励的是既早出现又不被撤回的信息。
持续交付优化把一次完整试播拆成哪几步？
沿一个样本走一遍有助于建立全景。输入是按 2 秒网格切分的源语音增量，状态包括截至当前更新的语音、上一版可见草稿和目标语言标识。策略在每个更新生成一段字符，解码成完整目标草稿并替换显示。1 次播完后得到草稿轨迹，包含从第一个更新到最后一个更新的全部可见版本。训练时先做监督适配得到能跟随历史的初始策略，再用持续交付优化做强化学习。
强化阶段每轮从当前策略出发采样多条闭环轨迹，每条轨迹的下一状态历史都来自同一条轨迹自己上一版的生成结果，等整条轨迹播完再计算回报并更新参数，推理时仍然是因果的，看不到未来语音。原文强调源目标对齐和源词时间只用于构造流式监督，不在推理时使用。
留存前缀如何算出来，中间分与终点分各管什么？
先把大小写折叠并去掉首尾标点，保留词内撇号和连字符，再按语言切成文本单位。中文和日语用汉字与假名字符加连续非中日韩字母数字段，其他语言用统一码词。记第 t 个更新的规范化可见草稿为规范化序列，参考译文同样规范化。所谓 t 时刻之后仍然存活的内容，定义为从 t 到终点所有规范化草稿的最长公共前缀。按构造它随时间单调增长，即后一时刻的留存前缀一定是前一时刻留存前缀的扩展。
\[p_{t}=\operatorname{LCP}(\bar{d}_{t},\bar{d}_{t+1},\ldots,\bar{d}_{T}).\]该式说明留存前缀不是当前可见全文，而是当前及之后所有版本都能对齐的最长公共前缀，这是过滤临时内容的关键操作。中间效用把每个时间间隔长度乘以该留存前缀与参考的最长公共子序列召回后求和，终点再加权加上最终草稿的句子 BLEU。越早变稳定的内容累积的源时间权重越大，被撤回的文本拿不到这种早期显示好处。单调输出是特例，此时留存前缀就等于当前可见全文。
\[J_{\mathrm{PD}}(\tau)=\sum_{t=1}^{T-1}\Delta_{t}q_{p}(p_{t},\bar{y})+Hq_{s}(\bar{d}_{T},\bar{y}),\]该式说明总效用由两项组成，前一项按时间加权累积留存前缀的词面覆盖，后一项按权重计最终质量，原文用该权重平衡早稳定与终点质量。
历史条件 × 门控交叉注意力： 历史条件指策略在第 t 个更新的输入中包含上一步自己生成的可见草稿，历史条件提供需要保持连贯或决定是否修订的上下文；门控交叉注意力指把该历史以零初始化门控方式注入上层解码器，只在需要时引入历史影响。两者搭配使模型能在不改动冻结主干的情况下学会利用上一版草稿，新增作用是让修订行为在训练和推理时处于同一闭环状态分布下。
回报如何让后面的修订影响前面的记功？
如果只在每个时刻独立打分，后面的修订无法改变前面已给的分数。论文构造一个随轨迹推进的势函数，它在时刻 t 包含此前各段按当时只能看到 t 为止的留存前缀计算的覆盖，再加上当前草稿的终点质量分。定义时刻 t 的回报为终点势减去 t 之前时刻的势，等价于从 t 到终点各步势增量之和。回报在完整回放结束后计算，因此后面的修订会通过改变留存前缀来改变前面时刻的记功。
策略更新采用近端裁剪形式，每轮冻结当前策略作为近端快照，用同轮起始策略经温度调整得到的行为分布采样，每条语音采样多条轨迹。组内按同一语音和同一更新做标准化，方差接近零的组权重为零。同一草稿内所有字符共享该事件权重，采样修正和策略比是字符级别。损失按轨迹数归一化，而不是按生成字符数归一化。论文报告只更新目标任务适配参数和历史模块，预训练主干保持冻结。
持久前缀覆盖 × 终结质量： 持久前缀覆盖指对每个时刻留存到最后的最长公共前缀计算其与参考译文的最长公共子序列召回，负责衡量中间时刻送达了多少最终有用的内容；终结质量指对最后完整草稿计算归一化有效阶句子 BLEU，负责衡量终点译得好不好。两者搭配的原因是中间奖励不能替代终点质量，组合后模型既要早稳定，又不能以牺牲终稿换取中间分。
监督适配分几段走，哪些参数冻住哪些更新？
起点是问答系列语音识别模型，整个适配过程冻结其预训练主干。先训练目标任务低秩适配，随后训练历史模块，没有额外的语音识别阶段，推理时也不用中间源转写。监督适配依次经过文本翻译、全音频语音到文本翻译、源文条件衰减和流式监督微调。为减少对训练转写的依赖，源文条件衰减阶段混合全量、损坏、前缀和空源文条件，空条件提供直接语音到目标的监督。流式监督微调结合完整翻译锚点与上下文对齐得到的累积草稿，空的早期草稿只监督结束符。
历史条件监督微调先冻结已训好的流式策略做闭环回放，缓存模型自己生成的历史，用上一版可见草稿而不是参考前缀作为历史，再只训练历史模块，并用 1 阶投影防止历史模块更新增大冻结父策略的延续损失。持续交付优化从该历史策略初始化，更新目标任务低秩适配和历史模块。原文未给出优化器类型和学习率调度等细节，复现时应把这记为缺项，不从模型名称推定实现。
数据、基线、指标和更新网格如何对齐比较条件？
训练只用 FLEURS 英语到 5 个目标方向，训练、验证和测试共享英语录音但目标来自同句编号的多路平行参考，流式阶段只用有有效时间监督的训练录音，模型在验证集上选择并在测试集上评估。零样本跨域评估用同一检查点直接测欧洲议会口语测试集的德语、西班牙语和法语方向，以及另一口语数据集的中文、德语和日语方向，不做目标域适配。历史条件监督微调和持续交付优化使用相同的 2 秒更新网格。
基线包括直接流式系统和带转写的中介对照，以及同主干全上下文级联参考。受控强化基线共享同一初始化、状态动作空间、回放与更新预算、采样配置和可训练参数，分别对应当前草稿覆盖、中间加最终 BLEU 和质量门控的 BLEU 延迟奖励。指标方向是 BLEU、COMET 和字符级变体越高越好，首字符延迟、终响应延迟、终结感知长度自适应平均滞后和归一化擦除越低越好。中文和日语的目标单位是字符，其他语言是词。
终结感知延迟 × 归一化擦除： 终结感知延迟指每个最终单位按其最终前缀不再变化的最早源语音消耗时刻计时，再做长度自适应平均滞后，负责衡量信息何时真正稳定可用；归一化擦除指被擦除的目标单位数除以最终输出单位数，负责衡量显示后又被撤回的量。两者搭配才能区分推迟首发造成的表面稳定和真正提前稳定，组合意义是同时约束快和稳。
训练只用了多少语音，参数规模处在什么量级？
下面两张表回答复现前最需要核对的资源问题。第一张是数据划分与录音数、时长和选择的对应关系，第二张是适配参数与强化超参数。比较问题是该方法是否只用少量任务语音就完成适配，公平条件是训练、验证和测试的录音对应关系以及流式监督的筛选条件必须一致，指标方向不适用于本节，重点是资源量。表后解释是任务语音量远小于外部基线报道的预训练量，但这不等于总成本更小，因为它继承了预训练主干。未评测边界是原文没有报告训练墙钟时间和硬件预算，复现时需要自行记录。
| 划分 | 录音数 | 时长 | 选择与评估 | 备注 |
|---|---|---|---|---|
| 训练集 | 2602 条 | 7.49 小时 | 流式阶段用其中 2600 条有效定时监督 | 目标来自同句编号多路参考 |
| 验证集 | 394 条 | 1.05 小时 | 用于模型选择 | 与训练测试共享英语录音 |
| 测试集 | 647 条 | 1.77 小时 | 用于域内评估 | 同上 |
上表说明域内实验的数据底座很小，流式监督还剔除了定时无效的录音，复现时划分错 1 位就会改变可比性。任务语音量远小于外部系统预训练量，但主干预训练成本依然存在，不能把适配时长当作总训练成本。
| 组件 | 关键设置 | 强化设置 | 可训练量 | 推理条件 |
|---|---|---|---|---|
| 目标任务适配 | 秩 16 | 每轮每句采样 4 条 | 合计 15.9M 参数 | 无中间源转写 |
| 历史模块 | 256 维四头，上 4 层，最多 128 历史字符 | 温度 0.2，终点权重 2 秒含义量级 | 只更新适配与历史模块 | 2 秒更新网格 |
| 近端更新 | 裁剪阈值 0.2 | 采样修正截断 2 | 主干冻结 | 因果推理 |
上表说明可训练参数只占整体很小一部分，强化采样的温度和截断直接影响探索与修正幅度，复现时应先对齐这两处再调其他超参数。原文未报告优化器与学习率，复现时需要把该缺项单独记录。
域内五个方向谁的质量更高，谁的稳定更早？
要回答的主问题是持续交付优化相对同一起点是否同时改善终点质量和稳定时刻。比较条件是历史条件监督微调与持续交付优化共享 2 秒更新网格和 3 随机种子均值，外部基线来自各自报道的系统。指标方向是 BLEU 与 COMET 越高越好，终结感知延迟与擦除越低越好，首字符延迟反映首次非空输出消耗的源音频。论文报告持续交付优化在 4 个方向 BLEU 最好且 5 个方向 COMET 高于每个外部流式基线，在德语和西班牙语还超过直接基线的 BLEU、COMET 和字符级分数并降低首字符与终响应延迟。
相对同一起点的隔离比较显示宏平均 BLEU 上升，平均与 P90 终结感知延迟和归一化擦除下降，且都在首个允许的 2 秒更新处输出，因此延迟增益反映更早稳定而非推迟首发。未胜出项是部分方向的 COMET 和字符级分数并非全部最好，限制是终结感知延迟仍高于一些单调外部系统，这与可修订系统允许改写的设计差异有关。
| 对比 | 终结感知延迟变化 | 归一化擦除变化 | 首发时机 | 质量与资源 |
|---|---|---|---|---|
| 持续交付优化相对历史起点 | 平均降低 10.8%，P90 降低 11.3% | 降低 15.8% | 首个允许的 2 秒更新处输出 | 宏平均 BLEU 提升 |
| 外部基线对照 | 多个直接与中介系统延迟更低或更高并存 | 可修订系统才报告擦除 | 各系统首发网格不一致 | 任务适配用 7.49 小时 |
上表把摘要级结论压缩为可核对的相对变化，阅读时注意百分号是相对变化率，不是 BLEU 的百分点，首次输出时机相同是判断更早稳定的前提。持久交付分析只看绑定图 1 的两个面板：面板 a 是持久分数与相对起点变化随归一化源语音进度的曲线，面板 b 是瞬时奖励缺口与年龄加权擦除的六边形密度，时间范围是归一化进度从 0 到 1，右上标注给出等级相关与非零比例。
看图路径： 1. 看面板 a 上半部分两条持久分数曲线随归一化源语音进度的走向，确认蓝色 PDO 是否全程在灰色 History-SFT 之上；2. 看面板 a 下半部分以百分点为单位的变化曲线，确认蓝色 PDO 的中段隆起与终点回零，以及橙色虚线当前草稿强化学习是否贴近零线；3. 看面板 b 瞬时奖励缺口为横轴、年龄加权擦除为纵轴的六边形密度走向，确认右上标注的等级相关与非零比例数值
论文图 1。原论文 Figure 1:：“FLEURS TEST persistent-delivery analysis.”。
该图面板 a 上半部分显示蓝色持续交付优化的持久分数曲线全程略高于灰色历史起点，下半部分以百分点为单位的变化曲线显示蓝色持续交付优化在中段逐渐隆起并在 0.8 到 0.95 附近达到约 4 个百分点后在终点按构造回到零，而橙色虚线当前草稿强化学习的变化贴近零线且后段略为负值。面板 b 显示横轴瞬时奖励缺口越大纵轴年龄加权擦除越大的右上走向，颜色越深表示计数越多的对数刻度，右上文字标注等级相关系数为 0.927 且非零缺口比例为 88.5%。这支持当前草稿奖励经常奖励临时内容，且该不匹配与修订不稳定同向变化，但相关性本身不证明因果。
换掉持久记功后，质量、延迟和擦除各付出什么代价？
消融要回答的是增益是否来自持久记功而非通用强化学习。比较问题是在相同起点和更新框架下，把回报中的持久前缀覆盖换成当前草稿覆盖、中间加最终 BLEU 或质量门控延迟奖励会发生什么，公平条件是共享状态动作空间、回放预算、采样配置和可训练参数。指标方向与主结果一致，重点看终响应延迟和擦除是否恶化。论文报告当前草稿强化学习保留质量但终响应延迟大幅上升且擦除明显增大，说明可见内容奖励会偏好临时输出。
中间加最终 BLEU 变体质量略降且延迟与擦除未改善，质量门控变体是较强的替代但平均与 P90 延迟和擦除仍高于持续交付优化。未胜出项是持续交付优化的 COMET 并未在该对照中领先，这提示词面覆盖带来的早稳定可能不完全转化为神经质量估计的提升。
当前草稿奖励 × 持久内容奖励： 当前草稿奖励指在构造回报时直接用当前可见草稿与参考的覆盖，负责奖励此刻看起来对的内容；持久内容奖励指先对当前及之后所有草稿取最长公共前缀再算覆盖，负责只奖励随后未被撤回的部分。论文用对照实验说明前者会鼓励临时输出并推高延迟与擦除，后者保留质量的同时更早稳定，搭配对照的作用是分离通用强化学习增益与持久记功的增益。
哪些结论有直接证据，哪些还只是有限解释？
直接报告的是域内宏平均 BLEU 提升、终结感知延迟和擦除下降、首次输出时机不变，以及零样本跨域在两个外部语料上 BLEU 提升且延迟与擦除下降。有限解释的是持久分数曲线和瞬时缺口与擦除的相关性，它们支持可见性与交付不匹配的机制，但相关性不是因果，也不能说明每条语音或每一步都成立。未验证的推测包括把该奖励直接搬到其他主干或更密更新网格是否同样有效，原文没有给出这部分证据，应表述为待验证。
缺失证据不是技术错误，例如原文没有测量误判率的人工评价、没有报告训练硬件与时间成本、没有公开可运行状态验证，因此不能承诺这些量得到改善。训练资源、推理开销、输出帧率与实际延迟应分别讨论，实时因子趋势不等于每句延迟都低。
复现先对齐什么，还需要补哪项验证？
复现先做三件事。第一，按录音编号对齐 FLEURS 训练、验证和测试划分，确认流式监督只用有有效定时监督的训练录音，并在验证集选模型。第二，冻结预训练主干，按文本翻译、全音频翻译、源文条件衰减、流式监督、历史条件监督的顺序训练，只在最后阶段更新适配与历史模块，并缓存闭环生成的历史而不是参考前缀。第三，用相同 2 秒网格做完整轨迹回放，等轨迹结束再算回报，组内标准化并对近零方差组置零。
关键超参数包括低秩秩与丢弃率、历史注意力维度与层数、每句采样数、温度、终点权重、裁剪阈值和采样修正截断。还需要补的验证是报告 3 随机种子的方差、跨域的统计显著性、以及与首发延迟不同的终结延迟分布。资源状态方面，未发现来源绑定且完成安全状态验证的资源，不得声称代码、模型或数据已公开，本次解读不把论文中的仓库地址当作可用性证据。
何时值得尝试持续交付优化，何时不必？
当系统允许修订、用户能看到中间草稿、且闪烁或反复改写影响可用性时，值得尝试把中间奖励从当前可见改为留存前缀，并单独保留终点质量项。它的适用条件是更新网格固定、能做完整轨迹回放、且有参考译文计算覆盖与终点分数。如果系统是单调不可撤销，或首发延迟本身就是瓶颈，那么终结感知延迟的定义不再适用，应先优化发射策略而非修订记功。
教学上的误解是把稳定等同于目标，论文明确指出推迟发射可以显得稳定，必要的修订虽降低稳定却改善用户信息，因此优化的是既早可用又持久的信息，而不是最少改动。回到中心矛盾，可见不等于送达，只有经受住后续修订的内容才值得为它的早出现付费。
| 跨域条件 | 质量信号 | 延迟与稳定信号 | 适用判断 |
|---|---|---|---|
| 欧洲议会口语三方向 | 持续交付优化 BLEU 高于同起点 | 终结感知延迟与擦除下降，首发网格同为 2 秒 | 支持非训练域泛化 |
| 另一口语数据集三方向 | 同上 | 同上 | 支持非训练域泛化 |
| 瞬时缺口分析 | 88.5% 轨迹存在非零缺口 | 缺口与年龄加权擦除等级相关 0.927 | 支持机制解释，非因果证明 |
上表把跨域与机制证据放在一起，说明增益不限于训练域，但机制部分仍应读作支持而非证明，部署前还需补人工可懂度与实际延迟测量。
📎 论文与评分元数据
排名：前50% | 文档类型：方法研究 | arXiv 原文
⚖️ 评分明细
评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。
评分规则：type-aware-v1
评分模型：muse-spark-1.3-contributor
评分请求协议：openai_responses