英文题目：CATENG Submission for the IWSLT 2026: Dialectal and Low-resource Speech Translation Task
会议身份：
conference:iwslt:2026:conference-paper-id:2026.iwslt-1.18
✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。
标签：#SFT #跨语言 #语音 #语音翻译
评分：5.5/10 | 创新 1.0/2 | 技术严谨 1.0/1.5 | 实验充分 0.8/1.5 | 清晰度 0.7/1 | 影响力 0.7/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 1.0/1.5
排名：前50% | 文档类型：系统技术报告
👥 作者与机构
- Rodolfo Joel Zevallos：机构信息未能从会议 PDF 纯文本可靠映射
- Marc Casals：机构信息未能从会议 PDF 纯文本可靠映射
- John E. Ortega：机构信息未能从会议 PDF 纯文本可靠映射
- Fabrício Carraro：机构信息未能从会议 PDF 纯文本可靠映射
- Pol Buitrago：机构信息未能从会议 PDF 纯文本可靠映射
- Guillermo Cámbara：机构信息未能从会议 PDF 纯文本可靠映射
📌 核心摘要
加泰罗尼亚语到英语语音翻译的输入为多方言加泰罗尼亚语语音，输出为英语文本，难点在于东部与西部方言的元音弱化与词汇差异、自然口语中频繁的加泰罗尼亚语与西班牙语语码切换，以及加泰罗尼亚语与英语的类型距离。主系统采用两步级联链：加泰罗尼亚语语音先由 ConMamba识别器转写为加泰罗尼亚语文本，再经微调后的 NLLB-200翻译器以束搜索生成英语译文，对照系统分别将识别器替换为 Whisper large-v3或将全链替换为 SpeechT5直译。与已有低资源语音翻译工作相比，该文的关键机制差异是将强英语解码器固定而比较不同语音前端，凸显状态空间模型无注意力长程建模与大规模多语言预训练表征的互补价值。在 IWSLT 2026加泰罗尼亚语到英语非受限测试集上，对照级联1以44.7 BLEU和65.1 chrF领先主级联约1.5 BLEU，端到端模型落后最高值3.4 BLEU，证明在当前数据下分解为识别加翻译更稳健。结论仅适用于约15小时配对语音翻译加大规模外部平行文本的非受限场景，未验证各方言、噪声域和混码比例下的外推能力。原文未披露训练、推理或部署成本。
🔗 开源与复现资源
- 第三方资源：https://github.com/makcedward/nlpaug — 链接可访问（HTTP 200） 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，目标是什么，为什么值得单独做加泰罗尼亚语到英语？
这篇解读的输入是论文原文提供的系统描述、数据说明与官方结果，目标是让刚进入语音与翻译领域的研究生能按原文复述 3 套系统的做法与比较条件，必须保留的关键信息包括任务语言对、数据规模、3 个系统的语音前端与翻译后端组合、训练与解码设置以及官方指标数值，输出是一份可核对的方法复述而不是新的评价。
任务的输入是一段加泰罗尼亚语语音，目标是输出对应的英语文本，这就是语音翻译。论文研究的是 2026 年国际口语翻译会议方言与低资源语音翻译共享任务中的加泰罗尼亚语到英语方向。加泰罗尼亚语本身并非人口意义上的极低资源语言，论文介绍其有约 410 万母语者、上 10000000 人可理解或使用，分布在加泰罗尼亚、瓦伦西亚、巴利阿里群岛、阿拉贡东部、安道尔、法国南部北加泰罗尼亚与意大利撒丁岛阿尔盖罗等地，并在西班牙相关自治区与西班牙语同为官方语言。
难点在于方言与真实录音条件。论文把加泰罗尼亚语分为东部组与西部组，东部包括中部、巴利阿里、北部与阿尔盖罗方言，西部包括西北部与瓦伦西亚方言，差异体现在元音弱化、附着代词系统与词汇上。自然录音中还频繁出现加泰罗尼亚语与西班牙语码切换。加泰罗尼亚语到英语不能像加泰罗尼亚语到西班牙语那样依赖罗曼语族内部的词汇句法接近，英语在类型学上距离更远，因此翻译质量在流水线中作用更关键。
本届任务只设无约束提交，不再设约束提交。这意味着允许使用外部大规模语音与文本资源。论文明确提交了 3 个无约束系统，两个是级联，一个是端到端。理解后文的关键是先分清这两条路线的数据需求不同，级联可以分别吃独立语音转写数据与独立平行文本，端到端则必须吃语音到译文的直接配对数据，而后者在本次任务中只有约 15 小时。
同输入同目标的前人工作提供了哪些可复用的部件？
相关工作按同输入、同目标、同监督方式来对照，才有学习价值。语音侧，加泰罗尼亚语近年加速主要来自巴塞罗那超算中心的 AINA 计划与社区驱动的 Common Voice。论文提到截至 Common Voice 16.1 版本，加泰罗尼亚语是该语料中录制与验证小时数最多的语言，为多数开放加泰罗尼亚语语音识别系统提供了原材料。议会演讲衍生的 ParlamentParla 语料包含约 211 小时干净段与 400 小时其他质量段，成为自发与半自发加泰罗尼亚语的常用基准。方言覆盖方面，LaFresCat 提供中部、西北部、瓦伦西亚与巴利阿里等多口音数据，AINA 还发布了基于 Common Voice 17 按五大口音与性别分层的口音基准。
多语言语音表示方面，XLS-R 与 Whisper 都包含加泰罗尼亚语，前者是自监督跨语言表示，后者是大规模弱监督，论文指出 Whisper 开箱即有竞争力的加泰罗尼亚语识别能力。多语言语音翻译基准如 FLEURS 与 CoVoST 2 也包含加泰罗尼亚语，其中 CoVoST 2 提供加泰罗尼亚语到英语配对，可作为参考点。
文本翻译侧，加泰罗尼亚语到英语的平行文本远比多数低资源对丰富，包括 OPUS 子集与 JW300，以及 AINA 发布的加泰罗尼亚资源。基础翻译模型包括直接支持加泰罗尼亚语的 NLLB-200，以及巴塞罗那超算中心 2025 年发布的 Salamandra 解码器系列与其翻译特化变体 SalamandraTA。论文据此得出的判断是，加泰罗尼亚语到英语语音翻译的瓶颈不在平行文本量，而在语音侧的覆盖与方言平衡，以及自然录音中的西语码切换处理。这一判断直接决定了后文用强语音前端加固定强翻译后端的级联设计。
要回答的具体问题是什么，比较的公平条件是什么？
论文要回答的不是能否做出一个能跑的系统，而是 3 个具体问题。第一，在加泰罗尼亚语方言多样、直接语音到译文配对数据有限、但外部平行文本丰富的条件下，级联是否仍优于端到端。第二，在固定同一翻译后端的前提下，不同语音前端带来的终值差异有多大。第三，基于状态空间的新结构能否在该任务上接近成熟的多语言 Transformer 语音模型。
公平条件的核心是控制变量。主系统与对照系统一共享同一个微调后的 NLLB 翻译后端，差异只在语音前端，一个是 ConMamba，一个是 Whisper-v3，这样终值差异主要反映转写质量。对照系统 2 走另一条路线，用 SpeechT5 直接从语音生成英语，不经过中间转写，并用数据增强弥补配对数据不足。
评价指标是机器翻译常用的 BLEU 与 chrF，数值越高表示与参考译文越接近。论文报告的官方结果是 3 个系统都在 41 到 44.7 BLEU 之间，差距不大但排序稳定。学习时要注意数值相同不代表条件相同，必须同时核对数据集划分、语音前端、翻译后端、指标与聚合对象。百分点差值与相对百分比是不同概念，论文说对照系统一比主系统高 1.5 BLEU，这是绝对差值，不能说成相对提升百分之多少。
三套系统全景：一条样本如何走完输入到输出？
先沿一个样本走完全程。假设输入是一段带有瓦伦西亚口音的加泰罗尼亚语录音，目标是输出英语译文。在主系统中，音频先进入加泰罗尼亚语 ConMamba 语音识别模型，得到加泰罗尼亚语转写文本，该文本再进入微调后的 NLLB-200 翻译模型，得到最终英语译文。在对照系统一中，第一步换成加泰罗尼亚语适配后的 Whisper large-v3，第二步仍是同一个 NLLB 模型。在对照系统 2 中，音频直接进入微调后的 SpeechT5 编码器解码器，解码器自回归生成英语，不产生中间加泰罗尼亚文本。
三者的表示路径不同。级联的中间表示是可读的加泰罗尼亚文本，便于检查是语音识别错还是翻译错。端到端的中间表示是连续向量，声学、归一化与生成联合学习，省去显式转写但也失去可分段调试的优点。
级联式语音翻译 × 端到端语音翻译： 级联式语音翻译负责先由自动语音识别把加泰罗尼亚语音转写为加泰罗尼亚文本，再由机器翻译把文本译为英语，分工是声学归一化与跨语言生成解耦；端到端语音翻译负责用一个模型直接从语音生成英语，省去中间文本；二者搭配比较的理由是判断在 15 小时配对语音翻译数据下，解耦能否利用更丰富的独立语音与文本资源，组合意义在于揭示本任务瓶颈在语音端而非翻译端。
论文选择这种全景的理由在原文有明确交代。由于英语解码器在多语言模型中通常最强，且加泰罗尼亚语到英语平行文本充足，级联把最难的部分留给语音端。端到端则作为直接替代路线，用数据增强来缓解配对数据少的问题。后文将先拆开级联的两个部件，再讲训练与推理细节。
级联的两个部件各自做什么，为什么这样搭配？
级联的第一个部件是自动语音识别。白话说，它负责听懂加泰罗尼亚语音并写出同语言文字。英文是 Automatic Speech Recognition，缩写 ASR。第二个部件是机器翻译。白话说，它负责把加泰罗尼亚文字译成英语。英文是 Machine Translation，缩写 MT。
自动语音识别 × 机器翻译： 自动语音识别负责把加泰罗尼亚语音映射为同语言转写文本，处理方言元音弱化、借词和中西语码切换；机器翻译负责把加泰罗尼亚文本映射为英语，处理类型学距离带来的词序与词汇转换；二者搭配的理由是英语解码器在多语言预训练中通常最强，把压力转移到转写保真度上，组合后形成可分别优化的两段流水线，新增作用是可以用 710 小时 3CatParla 语音和大规模平行文本分别补强两段。
主系统的语音前端是 ConMamba small 加泰罗尼亚语模型。论文描述它是一个基于 Mamba 框架的序列到序列结构，依赖状态空间建模而非注意力机制，用于高效捕捉语音信号中的长程依赖。该模型在超过 4900 小时的加泰罗尼亚语音料上以全监督方式训练，使用 4 个图形处理器训练约 48 小时，采用 unigram 分词器，解码时不用外部语言模型而用贪心推理。论文报告其词错误率为 8.81，词错误率越低表示转写越准。转写完成后，文本送入 NLLB 翻译系统。
对照系统一的语音前端是基于 Whisper large-v3 的加泰罗尼亚语模型，并转为 faster-whisper 框架以高效推理。起点是先用 710 小时 3CatParla 语料从公开 Whisper large-v3 微调而来的加泰罗尼亚语模型，输出为无标点的纯文本。在此基础上再用本次共享任务的训练数据做适应，监督目标是加泰罗尼亚语转写，使模型适配任务的声学条件、说话人与方言分布。推理时固定语言为加泰罗尼亚语、任务为转写，得到的假设再送入同一 NLLB 后端。这种设计使两个级联的比较聚焦于语音前端。
端到端分支如何省去中间文本，它的作用边界在哪里？
端到端在这里指直接语音翻译。白话说，一个模型同时完成听与译，不写出中间的源语言文字。英文是 end-to-end Speech Translation。对照系统 2 用的是 SpeechT5。白话说，它是一个统一处理语音与文本的编码器解码器 Transformer。英文是 SpeechT5。
ConMamba × Whisper-v3： ConMamba 负责用状态空间模型而非注意力机制建模长程语音依赖，在无外部语言模型下做贪心解码；Whisper-v3 负责用大规模弱监督多语言 Transformer 提供现成的语音表示与转写能力，并经 3CatParla 加泰罗尼亚语适配；二者搭配对照的理由是比较新结构与成熟多语言基础在方言覆盖上的差异，组合意义在于固定同一 NLLB 后端后，终值差异可主要归因于语音前端质量。
论文给出的结构是 12 层 Transformer 编码器加 6 层 Transformer 解码器，模型维度 768，注意力头 12 个，语音编码器含卷积层以捕捉局部声学模式，并在共享嵌入空间中操作以便直接生成文本。预训练用了 960 小时 LibriSpeech 语音与大规模无标注文本，学到跨模态共享表示。微调时按官方 SpeechT5 微调流程，把加泰罗尼亚语音直接映射到英语文本，不依赖中间转写，在推理时自回归生成译文，也不用外部语言模型。
为提升鲁棒性，论文用 nlpaug 工具做数据增强，包括噪声注入、时间扭曲与信号扰动，有效把可用训练音频翻倍，仍沿用相同的超参数配置微调。这个分支的作用边界很清晰。它在一个框架内联合建模声学、语言与翻译信息，流程更短，但必须用有限的直接配对数据同时学会声学建模、源语言归一化与目标语言生成，而级联的两段可以分别利用更大的独立资源。这解释了为何论文预期端到端在当前数据条件下更吃亏，后文结果也与此一致。
翻译后端与语音前端分别如何训练，哪些参数被更新？
本节只按原文证据说明训练安排，未报告的不猜。翻译后端方面，所有机器翻译系统都基于 NLLB-200 的 1,300,000,000 参数版本并针对加泰罗尼亚语到英语微调。最大输入输出序列长度设为 128 词元，每个模型训练 10 轮，训练与评估批量大小均为 8，解码用波束搜索，波束数为 5，每 10,000 步保存检查点，随机种子固定为 65 以保证可复现。论文未说明冻结编码器还是全参数更新，也未给出优化器类型与学习率，因此不能从模型名称推定梯度路径，只能说监督来源是加泰罗尼亚语到英语平行文本，监督目标是生成正确英语。
NLLB-200 × 微调： NLLB-200 负责提供已覆盖加泰罗尼亚语的多语言翻译基础与英语生成能力；微调负责用加泰罗尼亚语到英语平行数据把该基础适配到任务域与转写风格；二者搭配的理由是原文明确只微调 1.3B 版本而不重新训练翻译模型，组合意义是以较小代价获得领域一致的级联后端，使主系统与对照系统一共享同一翻译后端以隔离语音端变量。
语音前端方面，ConMamba 的训练按论文描述是在大规模加泰罗尼亚语料上全监督训练，与翻译微调相互独立，不存在跨两段的联合梯度。Whisper 分支是 2 阶段适配，先有基于 3CatParla 的大规模加泰罗尼亚语微调，再用本次任务训练集的加泰罗尼亚语音与转写做进一步微调，监督来源是任务内转写文本。
SpeechT5 × 数据增强： SpeechT5 负责在统一编码器解码器中学习语音与文本共享表示，直接完成语音到英语的映射；数据增强负责用噪声注入、时间扭曲与信号扰动生成合成音频变体，有效翻倍训练语音；二者搭配的理由是端到端配对数据仅约 15 小时，单靠原始数据易过拟合方言与信道，组合意义是在不引入中间转写的情况下提升声学鲁棒性，但仍需与级联的外部数据量优势区分看待。
端到端 SpeechT5 的训练是把任务提供的语音翻译数据作为直接监督，输入是加泰罗尼亚语音，目标是英语文本，增强后的合成变体与原始音频一起用于微调。论文未报告该分支的具体学习率、轮数与早停规则，这是复现时的缺项，需要按官方微调流程补齐并记录。所有分支在推理时都不用外部语言模型，这是原文明确的共同点。
数据、划分与预处理如何保证可比性？
实验条件先看数据。本次共享任务发布的数据集约 15 小时加泰罗尼亚语音并配有英语译文，覆盖多种方言、说话人与声学条件，并附有更大规模的加泰罗尼亚语音与转写。语料经过筛选以保证语音文本对齐质量，并划分为预定义的训练、验证与测试集，附带归一化转写与一致预处理流程，以减少数据不一致引入的噪声。论文还把数据集放在公开仓库，便于他人按相同划分复现。
补充资源方面，文本侧用 OPUS 集合与相关基线模型涉及的平行语料，语音侧则依赖前述大规模加泰罗尼亚语料与预训练模型。论文强调，与以往低资源设置相比，加泰罗尼亚语到英语平行数据的可获得性把主要挑战从文本翻译转移到跨方言与跨领域的稳健语音识别。
下表整理论文明确给出的翻译训练与任务数据配置，数值与单位保留原文写法，条件列用于区分不同部件，不能跨行混用。读表的问题是各部件的训练监督与数据规模是否一致，公平条件是级联共享同一翻译后端，指标方向是翻译质量越高越好，语音错误率越低越好。
| 组件 | 基础模型 | 训练数据规模 | 关键超参数 | 解码设置 |
|---|---|---|---|---|
| 翻译后端 | NLLB-200 1.3B 参数版本 | 大规模加泰罗尼亚语到英语平行文本 | 128 词元长度，10 轮，批量 8 | 波束搜索 5 波束 |
| 主系统语音前端 | ConMamba | 超过 4900 小时加泰罗尼亚语音 | unigram 分词，无外部语言模型 | 贪心推理 |
| 对照 1 语音前端 | Whisper large-v3 | 710 小时 3CatParla 加任务内转写适配 | 固定语言为加泰罗尼亚语做转写 | faster-whisper 推理 |
| 语音翻译配对数据 | 任务发布集 | 约 15 小时语音配英语译文 | 预定义训练验证测试划分 | 归一化转写 |
| 端到端模型 | SpeechT5 | 任务配对数据加增强翻倍 | 噪声注入时间扭曲信号扰动 | 自回归生成无外部语言模型 |
该表显示级联两段各自拥有远大于 15 小时的独立资源，而端到端直接监督仍受限于任务配对规模，这是理解主结果的前提。代价是级联需要维护 2 个模型与两步推理，任何转写错误都会向后传递。论文未报告延迟与计算预算的完整对比，因此不能从 BLEU 高低推定实时性优劣。
主结果测了什么，谁在什么条件下胜出？
主结果测的是 3 个可运行提交在官方测试集上的最终语音到英语质量，对比对象是彼此而非外部最优值，条件一致之处在于都可使用无约束外部资源，差异在于是否使用中间转写以及语音前端不同。指标是 BLEU 与 chrF，都是越高越好。论文报告对照系统一最优，主系统次之，端到端第三，三者差距为 3.4 BLEU，说明整体都达到较强水平但排序明确。
| 系统 | 语音前端 | 翻译后端与路径 | BLEU | chrF |
|---|---|---|---|---|
| 主系统 | ConMamba ASR | NLLB MT 级联 | 43.2 | 64.3 |
| 对照系统 1 | Whisper-v3 ASR | NLLB MT 级联 | 44.7 | 65.1 |
| 对照系统 2 | 无，语音直译 | SpeechT5 端到端 | 41.3 | 63.1 |
上表数字来自原文摘要与结果节的连续报告，其中对照系统一为 44.7 BLEU 和 65.1 chrF，主系统为 43.2 BLEU 和 64.3 chrF，端到端为 41.3 BLEU 和 63.1 chrF。论文还给出 chrF 的波动区间，主系统为 64.3 正负 3.5，对照系统一为 65.1 正负 3.6，对照系统 2 为 63.1 正负 3.2，提示在该测试规模下小幅差异需谨慎解读。
支持的判断有两个。第一，在当前设置下级联优于直接端到端，两个级联在 BLEU 与 chrF 上都明显超过 SpeechT5，论文解释为强多语言语音前端加可利用充足平行文本的翻译模型仍是竞争力的组合，任务分解为先转写后翻译是有利的。第二，两个级联共享同一翻译后端，对照系统一比主系统高 1.5 BLEU 和 0.8 chrF 且两指标一致，因此增益主要归因于 Whisper-v3 转写质量，说明性能主要受语音识别质量约束而非翻译容量约束。同时主系统仍具竞争力，这对较新的 Mamba 语音结构是积极信号。
未胜出项是端到端，但它仍超 41 BLEU，证明直接翻译可行，只是在当前配对数据下尚未达到级联的稳健性，因为它必须用更少的配对数据同时学会声学、归一化与生成。
固定翻译后端后，语音前端差异与增强手段各自贡献多少？
这一节把结果节的比较按控制变量重讲一遍，并增加机制与适用条件，避免重复摘要。第一个对照是固定 NLLB 后端、只换语音前端。主系统用 ConMamba，对照系统一用 Whisper-v3，二者在两指标上同向差距为 1.5 BLEU 与 0.8 chrF。由于翻译后端相同、任务测试集相同，该差距支持语音前端是主要区分因素的解释。论文的措辞是可能与待验证的因果之外的有限解释，即 Whisper-v3 目前提供了更强的现成基础，而 ConMamba 作为较新结构仍接近，这不是对所有方言每句都成立的保证。
第二个对照是级联对端到端。两个级联都超过端到端约 1.9 到 3.4 BLEU，chrF 差距为 1.2 到 2.0。论文给出的机制是资源不对称，独立语音识别与机器翻译各自拥有数百至数千小时或大规模文本，而端到端直接配对仅约 15 小时，即使增强翻倍仍处于劣势。增强手段包括噪声注入、时间扭曲与信号扰动，论文引用 nlpaug 工具与此前在低资源语音识别中的增强经验，但未给出拿掉增强后的端到端分数，因此不能量化增强本身的贡献，这是明确的缺项。
反证方面，如果瓶颈真在翻译容量，那么共享同一翻译后端的两个级联应差距很小且端到端不应系统性落后，但实际是级联内部仍有稳定差距且级联整体领先端到端，这与瓶颈在语音端的判断一致。限制是论文未报告按方言分层的词错误率与翻译分数，也未测量码切换句的误判率，因此不能把总体趋势推广到每个口音或每类难句。
哪些边界没有测，不能承诺什么？
论文直接报告的是总体 BLEU 与 chrF 排序，有限解释是瓶颈在语音端，未验证的推测是具体哪个方言或哪类码切换最拖累分数。原文没有按巴利阿里、中部、北部、西北部、瓦伦西亚分别报告语音识别与翻译分数，也没有给出码切换覆盖率与对应错误分析，因此不能声称模型已解决方言平衡问题。
成本与部署方面，原文只提到 ConMamba 用 4 卡训练约 48 小时、Whisper 用 faster-whisper 高效推理、NLLB 用波束数为 5 解码，但未系统报告训练资源、推理开销、输出帧率与实际延迟。总体 BLEU 趋势不等于每步延迟都更优，波束搜索与两段流水线通常增加推理代价，但在未测量前不能承诺级联更快或更省。
统计方面，chrF 附带的正负 3 点多区间表明测试集规模有限，小差距可能受抽样波动影响。论文未说明显著性检验方法，因此 1.5 BLEU 的级联内部差距应表述为在两指标上一致的观察，而不是确定性的普遍胜负。此外，翻译微调的学习率、优化器、早停与数据清洗细节未完全披露，端到端分支的超参数也未逐项列出，这些都是复现前需补的验证项。
复现先做什么，需要哪些可运行条件？
复现的第一步是按原文拿到任务仓库的 15 小时配对数据与更大规模转写数据，并保持官方训练验证测试划分不变，同时记录归一化与预处理流水线，使语音识别与端到端模型吃到同一任务分布。第二步是准备翻译后端，按原文用 NLLB-200 的 1,300,000,000 参数版本，设置最大长度 128 词元、训练 10 轮、批量 8、波束 5、每 10,000 步存检查点、种子 65，先复现翻译质量再接入级联。
第三步是分别准备语音前端。Whisper 分支需先获取经 710 小时 3CatParla 微调的 large-v3 检查点并转为 faster-whisper，再用任务内转写做适应，推理时固定语言为加泰罗尼亚语、任务为转写且输出无标点纯文本。ConMamba 分支需按原文用大规模加泰罗尼亚语音训练或直接获取对应检查点，保持无外部语言模型与贪心解码一致，否则转写风格变化会污染比较。第四步是 SpeechT5 个分支，按官方微调流程接入任务配对数据，并用 nlpaug 实现噪声注入、时间扭曲与信号扰动以翻倍数据，当前可用性方面，该工具仓库本次可达，论文引用的链接状态为可用，而任务数据仓库与模型检查点的长期可达性需在复现时重新确认。
常见误解是把无约束等同于无限数据或把共享翻译后端等同于输出确定。实际上无约束只表示允许用公开外部资源，仍需记录具体版本与用量。固定翻译后端只能保证翻译部件相同，语音前端的抽样与解码仍会带来波动。复现时应先跑通转写词错误率，再跑通翻译 BLEU，最后跑通级联，并保留中间转写以区分错误来源，还需补做按方言与码切换的分层评估，这是原文未给但对结论至关重要的验证。
何时值得尝试级联，何时可以继续探索端到端？
综合全文，当直接语音到译文配对数据只有十几小时、但独立语音转写与平行文本充足，且测试包含方言与码切换时，值得优先尝试级联。因为它把声学归一化与跨语言生成解耦，可以分别利用成熟多语言语音模型与强英语解码器，中间文本还便于定位错误。论文的证据是两个级联都超过端到端，且固定翻译后端后语音前端差异直接反映在终值上，说明先补语音覆盖往往比增大翻译模型更有效。
当目标是简化部署链路、减少两步错误传递，或未来能获得更多直接配对与方言平衡数据时，可以继续探索端到端。论文中 SpeechT5 在增强后仍超 41 BLEU，证明该分支有潜力，只是当前需与级联的资源优势区分看待。选择时要看运行阶段约束，如果必须单模型低延迟或不希望维护 2 个模型，端到端的吸引力会上升，但论文未测量延迟，因此不能据此做选型承诺。
回到中心判断，加泰罗尼亚语到英语的难不在于找不到平行文本，而在于让语音端在方言与真实录音下保持保真。无论选哪条路线，复现与改进都应先从语音表示与方言覆盖入手，再谈翻译容量，这正是这篇提交对初学者最可迁移的一课。
⚖️ 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