StreamAtt：基于注意力的直接流式语音到文本翻译

流式语音到文本翻译（StreamST）是指在接收音频流的过程中自动翻译语音的任务。不同于同时翻译（SimulST），后者处理预分段语音，StreamST 面临处理连续且不可限定的音频流的挑战。这需要对前导历史的保留作出额外决策，而由于延迟和计算限制，完全保留全部历史是不可行的。尽管对实时翻译的实际需求日益增长，但关于流式翻译的研究仍有限，现有工作仅聚焦于 SimulST。为填补这一空白，我们提出 StreamAtt，即首个 StreamST 策略，并设计 StreamLAAL，即首个针对 StreamST 的延迟指标，旨在与现有 SimulST 指标可比。对 MuST-C v1.0 的全部 8 种语言进行的大量实验表明，StreamAtt 相对于朴素的流式基线和相关的 SOTA SimulST 策略具有有效性，为 StreamST 研究的第一步。