从等词输出到译员式取舍：用四种显式动作重做同声传译

英文题目：Redefining Machine Simultaneous Interpretation: From Incremental Translation to Human-Like Strategies

会议身份：conference:iwslt:2026:conference-paper-id:2026.iwslt-1.2

✅ 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。

会议来源：官方记录 · 官方 PDF

标签：#SFT #大语言模型 #多语言 #流式处理 #语音翻译

评分：6.1/10 | 创新 1.4/2 | 技术严谨 1.0/1.5 | 实验充分 1.0/1.5 | 清晰度 0.7/1 | 影响力 0.9/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.8/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Qianen Zhang：机构信息未能从会议 PDF 纯文本可靠映射
• Zeyu Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Satoshi Nakamura：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

同时语音翻译需在源语不完整时增量输出译文，难点在于长距离语序差异与等待完整输入带来的延迟。作者将传统读与写（READ/WRITE）扩展为句子切分（Sentence_Cut）、删除（Drop）、部分概括（Partial_Summarization）与代词化（Pronominalization）四类译员动作，先用GPT-4o按动作组合改写离线参考为同传风格参考，再在ACL60/60开发集上统计各动作的BLEU与延迟并写入提示，最后由Qwen3-8B按统计量逐步选择动作并追加译文，另用Whisper取源词时间戳加SimAlign求词对齐加语音合成搭建延迟感知流水线以获得秒级长度自适应平均滞后（Length-Adaptive Average Lagging，LAAL）。该机制区别于传统策略之处在于允许主动重构、删除填充与压缩冗余，而非仅决定何时等待或输出。在ACL60/60英汉测试中删除加切分组合取得BLEU 62.84与LAAL 2.118秒，优于萨拉米（salami）切分与TransLLaMA微调基线并在COMET-KIWI上接近参考译文。结论仅适用于文本模拟的英中、英德、英日同传解码器环节，未验证真实语音输入、噪声与长尾语义丢失下的外推能力。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

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，哪些信息不能丢？

这篇论文研究的是文本条件下的同时传译。输入是英语词级转写，按词逐步可见，模型不能偷看未来词。输出是中文、德文或日文的目标文本，要求增量生成，已经提交的目标词不能改写，只能追加。目标是在保证核心语义的前提下尽早输出，减少因语序差异造成的等待。必须保留的信息包括术语、数字、否定极性、事件主体与时间信息，允许处理的是填充词、重复、自我修正和语义重复的并列说法。

论文把语音输入留给未来工作，当前框架被定位为完整同传系统的解码器部件，语音可通过上游编码器接入。评估同时看质量与延迟，质量用词重叠指标与神经语义指标，延迟用秒级与词级两种长度自适应平均滞后。初学者容易误以为同传只是把离线翻译切碎输出，论文强调离线参考倾向于等完整输入再组织语言，会把模型带向高延迟，因此需要构造更符合实时约束的参考与决策方式。

已有路线在比什么，为什么只调读写时机不够？

已有同时翻译大多在编码器加解码器结构下做读写策略。固定策略如等待固定词数后再交替读写，自适应策略根据源内容或模型预测决定读还是写。评价沿用离线翻译的质量指标与延迟指标，近年增加了考虑目标过长的延迟指标，也有工作用伪参考或萨拉米式切分改造离线参考，以减少长距离调序。另一条线是用解码器大模型做增量低延迟翻译，包括监督微调与提示方法。论文认为这些工作共享一个局限：动作空间只有读与写。

优化策略只能回答何时提交，不能显式建模译员常用的切句、省略与局部重排。萨拉米技术把句子拆成包含足够翻译信息的最小段，确实能改善单调性与词序对齐，但它主要是静态切分规则。论文要做的是把这类人工策略推广为推理时可动态调用的动作，并用提示把每个动作的历史后果告诉模型。

萨拉米切分 × 动作感知提示： 萨拉米切分的分工是按最小可译片段切分以获得单调性，动作感知提示的分工是把每种动作的历史质量与延迟统计写进提示并让模型逐步选动作，二者搭配的理由是前者只给切分规则、后者给可比较的后果信号，组合意义是把静态参考改写扩展为推理时可调的决策。

任务难在哪里，论文把问题重新定义成什么？

难点来自信息不完整与语序差异。英语与中文、日文、德文在定语、状语与动词位置上不同，如果坚持逐词对应，模型要么等待很久，要么产生不自然的语序。离线参考虽然流畅忠实，但生成模式与同传不一致，拿它训练会鼓励等待。论文把问题从增量词发射重新定义为动作驱动的译员式决策：在每个决策点根据可见前缀、已提交输出与动作统计，选择读、写、切句、删除、部分概括或代词化中的一个动作，并生成对应片段。

已提交内容不可修改，删除只清理可见缓冲中的填充与重复，不增加目标内容，切句与概括则追加新的目标段。这种定义保留了增量解码的前缀约束，同时让省略与改写成为一等操作。需要区分的是，论文报告的是在这种定义下质量与延迟的权衡改善，不是证明所有省略都无害，后文用针对性检查来限定删除与概括的适用边界。

读操作 × 写操作： 读的分工是等待并积累源语词，写的分工是在已有前缀下提交目标片段，二者搭配的理由是只用时机就能控制增量输出，新增作用有限的原因是它无法显式表达删减、切分或改写，于是论文在读写之外加入译员式动作来承担结构重组。

方法全景：三阶段如何从统计走向逐步推理？

论文的推理流程分为 3 个阶段。第一阶段是在开发集上做分动作统计，用大模型对每个单独动作及选定的动作组合生成翻译，计算翻译质量与词级单调性延迟。第二阶段构造动作感知推理提示，写明允许动作集、任务描述，并把聚合得到的质量与延迟统计放进提示，让模型知道选不同动作的预期后果。第三阶段是推理时逐步动作选择，给定源词序列与提示，模型在每个决策点选动作并生成对应翻译段，动态平衡质量与延迟。

训练参考的准备同样用提示让大模型在不同动作组合下生成翻译，使监督目标更贴近实时口译模式。评估侧另有一条语音合成管线，把文本输出映射为因果一致的合成语音，以恢复目标发声时间戳，从而在秒级时间轴上计算延迟。 推理流程的方框图把上述依赖画成自上而下的主链，顶部是推理用的基座模型，中间是生成、统计、构造提示与逐步推理，底部是评估，箭头表示数据与统计的流向。

看图路径： 1. 先从顶部预训练模型框向下跟随五个编号框的主链路；2. 再看第一步与第二步之间箭头表示的统计回路；3. 最后确认评估框同时覆盖两种基准与两类指标

论文图 1。原论文 Figure 1：“Block diagram of the inference procedure.”。

看完该图应抓住三点：统计来自开发集而非测试集，避免信息泄露；提示中的数字是经验性权衡指示，不是可微奖励；逐步推理的每一步只见源前缀与已提交输出，满足同传的前缀单调约束。

四个新动作各自做什么，何时允许调用？

切句负责把长句或句法复杂从句拆成更短、语法的句子段，通过插入合适的标点与连接词分成 2 个流畅单元，减少调序与等待。论文给的例子是把泳池派对长句在连接处拆开，分别表达人物与事件主题。删除只去掉真正无信息的成分，例如语气填充词、重复词与自我修正，例子是把重复的形态层表述压缩为 1 次干净表达。部分概括负责合并或简化语义等价或重复的表达，同时保留原意与语气，例子是把多句关于标注跨度数量的并列句压缩为更简洁的形式。

代词化负责把重复或已提及的名词短语换成代词，前提是指称无歧义且距离较近，例子是把第二次出现的词汇借用换成它。4 个动作都在每个决策点可用，模型根据可见上下文与延迟约束调整行为。论文强调新动作只有在明显改善延迟或质量时才用，避免为压缩而压缩。

切句 × 删除： 切句的分工是把长从句拆成可独立翻译的短句以减少远距离调序，删除的分工是去掉填充词、重复与自我修正以减少拖延，二者搭配的理由是前者解决语序等待、后者解决冗余等待，组合后同时改善流畅性与延迟。

该图与上图内容相同，此处重点看三栏分工如何对应方法全景的前 3 步：左栏是受控生成得到动作序列与假设，中栏是分动作聚合质量与延迟，右栏是把统计写进提示的示例。

看图路径： 1. 先对照三栏标题确认生成、统计、构造的分工；2. 再核对例句中源句、假设与动作序列的对应关系；3. 最后观察提示示例中允许动作集合的写法

论文图 3。原论文 Figure 3：“illustrates the overall inference pipeline of the proposed framework.”。

结合正文理解，左栏的简化示例不代表完整推理轨迹，真实逐步过程在附录用二十多步的词级表展示，每一步都给出等待还是提交的理由；中栏说明延迟需要借助语音时间戳而非直接数词数；右栏的数值为示意，实际提示使用开发集聚合的完整统计。

部分概括 × 代词化： 部分概括的分工是合并语义重复的并列表达而保留语气与核心命题，代词化的分工是把无歧义的重复名词换成代词以缩短表达，二者搭配的理由是都在不改变指称的前提下压缩长度，新增作用是让大模型在生成中做话语级改写而非逐词对应。

没有端到端语音训练时，数据与提示如何构造？

本研究没有训练语音编码器，也没有做声学建模，训练与构造全部在文本侧完成。需要讲清的 3 类计算是参考改写、监督微调与提示推理。参考改写由大模型按统一可复现管线批量生成：输入按行切分、去重分片，每行指定相同的提示模板、解码与随机控制，要求只做在线式翻译、只允许指定动作、最小化长距离调序，以结构化方式解析输出，再按标识去重合并，保证不同系统间的测量偏差恒定。

监督侧有两条线：编码器加解码器用多语言去噪预训练模型在抽样的训练集上微调，源相同而目标分别为原始参考、萨拉米参考与动作改写参考；解码器大模型沿用插入等待符的因果对齐做参数高效微调，使模型隐式学会何时生成、何时等待。提示侧包括少样本提示与逐步动作选择，前者用开发集挑选 3 个示范，后者把分动作统计放进提示并要求严格依据统计选动作。

附录还做了前缀喂入检查：每次只给前缀，已提交目标不可改写，后续只能追加，用于验证没有利用未来词。 左侧示例展示受控生成如何输出动作序列与假设，中间说明质量与延迟如何得到，右侧展示允许动作与统计如何拼成推理提示，该图明确标注为简化示意。

看图路径： 1. 先读左侧动作序列中删除出现的位置与后续输出；2. 再看中间如何用假设与参考比较得到质量分；3. 最后看右侧提示如何把延迟与质量数值并列呈现

论文图 2。原论文 Figure 2：“Examples accompanying the inference pipeline.”。

读图后应落实到可复述操作：先用开发集源句与允许动作生成带动作序列的假设，再对每个动作算质量分并用语音管线算延迟，最后把动作、统计与源句拼成逐步推理提示，推理时每步只读前缀并追加输出。

在什么数据、模型与指标下比较，方向如何判定？

数据分工明确。多语言语音翻译语料用于有监督编码器加解码器实验，英中与英德各抽样 25000 条，源相同而目标做 3 种版本，验证在开发集与测试集上进行。大模型实验全部在会议口译语料上进行，开发集用于收集分动作统计与挑选少样本示范，评估集用于最终比较，覆盖英中、英德与英日。

基座模型分工为：编码器加解码器用多语言预训练模型，大模型推理与微调用 8000000000 参数解码器模型，开发阶段用闭源大模型生成动作翻译以收集统计，不用于最终评价。指标方向为：词重叠与神经语义分数越高越好，编辑率与两类延迟越低越好，秒级延迟在真实时间轴上解释，词级延迟用常规工具评估。比较条件要求相同文本同时设置与相同指标，基线覆盖有监督微调、大模型微调、少样本提示与萨拉米提示。

论文还用语音合成管线支撑秒级延迟：先用语音识别模型取源词时间戳，再用词对齐找源目标对应，必要时插入等待符保证目标不早于源说出，按分段时刻表合成目标语音后重新对齐恢复目标时间戳，最后把策略索引与自适应对角线投影到源时间轴计算延迟。

基于语音合成的延迟 × 词级单调性： 基于语音合成的延迟的分工是把文本输出映射到秒级发声时间轴上度量目标何时可说，词级单调性的分工是判断目标语序是否跟随源语出现顺序，二者搭配的理由是纯词数延迟不能反映真实说话时长，组合意义是用可听的时间线来评价是否少调序、少等待。

下图把该管线画成两行：上行从源目标句到时间戳再到对齐与调序示意，下行插入等待符、分段排期再合成延迟感知语音。

看图路径： 1. 先沿源目标句到时间戳再到对齐的向右箭头走一遍；2. 再看插入等待符后分段 timetable 的两类时间情形；3. 最后确认不同目标语言对应不同的合成器分支

论文图 4。原论文 Figure 4：“Latency-aware TTS. The system first obtains source word timestamps with Whisper and aligns source–target words using SimAlign.”。

看图时注意等待符的作用是划分因果段，每段的起始说话时刻由对齐到的源词起始时刻决定，若源词晚于上一段说完则等待，若早于则合并；中文与日文用一种合成器，德文用另一种合成器，差异属于评估实现而非翻译模型差异。

主结果：动作感知在质量与延迟上换来什么？

论文报告的主趋势是动作改写与逐步选择在多个语言对上同时改善语义与延迟。有监督编码器加解码器上，用动作目标训练的模型在两个基准上多数指标优于原始参考与萨拉米目标，表现为更高的词重叠与语义分、更低的延迟，支持动作式目标鼓励更单调且忠实的生成。大模型推理上，动作参考一般带来更高语义分与更低延迟，逐步动作选择在综合权衡上优于微调与少样本提示，尤其删除加切句组合在开发集延迟最低，在评估集也取得较好的平衡。

论文用实例解释互补性：萨拉米切分把社交平台名称放在句末，不符合中文习惯且延迟收益小，而切句加删除把介词结构前置，既流畅又忠实。需要保留的限定是：优势是系统级平均趋势，不等于每句都成立；部分配置下词重叠与编辑率会出现代价，语义分与延迟的改善需要对照具体语言对与提示设置来读。 下面先看针对删除与部分概括的充分性分析，它直接回应省略是否丢关键信息的担忧。

比较问题是：在应用这两种压缩动作的样本中，译文是否变短过多、是否丢失数字与否定。公平条件是同一评估集、同一语言方向，指标方向为压缩比接近 1 为好、参考三元组覆盖越高越好、关键错误率越低越好。

该表显示两种动作的假设与参考长度比接近 0.97，没有激进缩短，参考三元组覆盖在 0.80 以上，数字缺失未观察到，否定翻转约为 0.2%，综合关键错误低于 3%。支持的判断是：在当前提示约束下，这两种动作没有实质损害充分性；代价是检查为启发式，只覆盖数字与否定两类敏感现象，不能代表全部充分性失败，未胜出项是部分概括的三元组覆盖低于删除，提示压缩带来一定的表层差异。

干预统计后模型会改动作吗，延迟与质量如何变化？

为验证模型是否真的依据提示中的统计选动作，论文做了针对性干预：先找出默认提示下延迟最高的 100 句，然后在提示中人为调高部分概括或切句的质量分并调低其延迟值，保持其他设置不变，观察动作调用频率与结果变化。比较问题是：被鼓励的动作是否被更频繁调用，以及延迟下降是否伴随质量代价。公平条件是同一高延迟子集、同一基座与解码设置，指标方向为延迟越低越好、质量分越高越好。

表后解释是：两种干预都使目标动作调用更频繁，延迟从 4.120 秒降到 3.269 秒与 3.322 秒，支持模型会内化外部性能信号并动态重平衡策略；具体代价是词重叠与语义分同步下滑，部分概括干预后质量分从 63.87 降到 53.60，切句干预后降到 49.29，说明延迟改善以表层与语义损失为代价。该反证也限定了统计感知的含义：模型行为可被统计牵引，但不是无代价优化，实际部署需根据延迟预算选择是否鼓励压缩。未评测边界是干预只在高延迟子集上做，不能推广为全量数据的最优配置。

为补足主结果的实例侧，论文还给出可复述的单句对照。比较问题是：在需要调序的长句上，萨拉米与动作选择是否给出不同语序。公平条件是同一源句，指标为是否符合目标语言习惯与词重叠高低。

该表的收益是动作组合通过切句减少远距离等待，同时避免把关键定语拖到句末；代价是该例为挑选的成功案例，不能代表平均提升，完整判断需回到开发集与评估集的平均指标。另一个多步实例对照进一步显示逐步轨迹的可复述性。

该表说明逐步方法通过等待谓语、提前提交完整子句、删除填充词来减少延迟；未胜出项是部分长句的编辑率仍偏高，提示流畅性改善不等于编辑距离最小。

哪些结论尚不支持，边界在哪里？

论文明确的局限是文本到文本视角，语音输入未显式建模，当前框架只是完整系统的解码部件，端到端语音联合建模留给未来工作。延迟评价依赖合成语音与对齐恢复的时间戳，合成器、识别时间戳与对齐误差会进入测量，附录讨论了该延迟与端到端延迟的区别：前者保留长度自适应思想度量单调性代理，后者混入语音时长与句长。充分性检查只覆盖数字与否定两类启发式错误，压缩比与三元组覆盖不能替代人工充分性评价。

基于对齐的单调性相关系数对词汇替换敏感，论文用实例说明机器译文仅替换近义词也会得到更低的相关系数，因此它与秒级延迟可能给出不同系统排序，应视为互补而非替代。资源状态方面，未发现来源绑定且完成验证的资源，不得声称代码、模型或数据已公开，复现应以论文描述的提示模板、解码参数与数据划分为准。

要复述与复现，先做什么，需要哪些信息条件？

先沿一个样本走完输入到输出：取一条英语源句，按词逐步暴露前缀，维护已提交目标与未解决缓冲，在每步根据提示中的分动作统计选择读、写、切句、删除、概括或代词化，已提交部分只追加不改写，删除只清理填充与重复，遇到长从句用切句拆段，遇到重复名词且指称无歧义用代词化，最后拼接得到完整译文。

再展开统计构造：用开发集源句让大模型在不同动作约束下生成假设，对每个动作算质量分并用语音管线算秒级延迟，把动作集与统计写进提示，评估集推理时严格依据统计选动作。关键超参数与信息条件按原文交代：大模型微调用低秩适配、秩 16、缩放 32、丢弃 0.1、训练 2 轮、优化器学习率 5 乘 10 的负 5 次方、有效批量 16；编码器加解码器微调用最大长度 256、批量 8、学习率 3 乘 10 的负 5 次方、最多 10 轮、每 500 步验证并按开发集词重叠选点、贪心解码最大长度 256；单卡 40 吉显存用于大模型实验。

还需补的验证是：在真实语音输入与人工评价下复测延迟与充分性，并报告推理开销与稳定性，避免把文本平均趋势直接当作线上收益。

何时值得尝试这种动作式同传？

当目标语言与英语语序差异大、长句多、口语填充与重复多，且系统允许在解码时做显式取舍时，值得尝试把切句与删除作为首选动作组合。复现时先在开发集上复算分动作的质量与延迟统计，再构造包含统计的逐步提示，最后在评估集上同时看语义分与秒级延迟，避免只看词重叠。需要记住的特有误解是：删除不是随意省略，而是只处理无信息成分；部分概括不是自由总结，而是合并语义等价表达并保留语气。

秒级延迟不是端到端系统延迟，而是单调性在时间轴上的代理；统计感知不是最优策略搜索，干预实验显示鼓励压缩会降延迟也会降质量。总体上，论文支持的判断是动作空间扩展为同传提供了比纯读写策略更灵活的建模方式，可能的待验证方向是语音端到端联合建模与更大规模人工充分性评价。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

另有 35 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 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

← 返回 iwslt-2026 论文汇总