SegAugment: Maximizing the Utility of Speech Translation Data with Segmentation-based Augmentations

要約

エンドツーエンドの音声翻訳は、利用可能なデータ リソースの不足によって妨げられます。
それらのほとんどは文書に基づいていますが、文レベルのバージョンも利用できますが、これは単一かつ静的なため、データの有用性が損なわれる可能性があります。
私たちは、データセットの複数の代替文レベルのバージョンを生成することでこの問題に対処する、新しいデータ拡張戦略である SegAugment を提案します。
私たちの方法では、オーディオセグメンテーションシステムを利用しています。これは、さまざまな長さの制約で各文書の音声を再セグメント化し、その後、アラインメントメソッドを介してターゲットテキストを取得します。
実験では、MuST-C の 8 つの言語ペアにわたって一貫した向上が実証され、平均 2.5 BLEU ポイントの増加、mTEDx の低リソース シナリオでは最大 5 BLEU の増加が見られました。
さらに、SegAugment を強力なシステムと組み合わせると、MuST-C で新しい最先端の結果が確立されます。
最後に、提案された方法が文レベルのデータセットをうまく拡張できること、および音声翻訳モデルが推論時に手動セグメンテーションと自動セグメンテーションの間のギャップを埋めることができることを示します。

要約(オリジナル)

End-to-end Speech Translation is hindered by a lack of available data resources. While most of them are based on documents, a sentence-level version is available, which is however single and static, potentially impeding the usefulness of the data. We propose a new data augmentation strategy, SegAugment, to address this issue by generating multiple alternative sentence-level versions of a dataset. Our method utilizes an Audio Segmentation system, which re-segments the speech of each document with different length constraints, after which we obtain the target text via alignment methods. Experiments demonstrate consistent gains across eight language pairs in MuST-C, with an average increase of 2.5 BLEU points, and up to 5 BLEU for low-resource scenarios in mTEDx. Furthermore, when combined with a strong system, SegAugment establishes new state-of-the-art results in MuST-C. Finally, we show that the proposed method can also successfully augment sentence-level datasets, and that it enables Speech Translation models to close the gap between the manual and automatic segmentation at inference time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google