Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.02370

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.02370 (cs)
[提交于 2025年1月4日 (v1) ,最后修订 2025年2月7日 (此版本, v3)]

标题: 语音到文本的前缀或交叉注意力? 经验比较

标题: Prepending or Cross-Attention for Speech-to-Text? An Empirical Comparison

Authors:Tsz Kin Lam, Marco Gaido, Sara Papi, Luisa Bentivogli, Barry Haddow
摘要: 在大型语言模型(LLMs)在自然语言处理(NLP)任务中取得显著成功之后,人们越来越有兴趣将它们的能力扩展到语音——这种最常用的交流形式。将语音集成到LLMs中最普遍的方法是密集特征前置(DFP),它将投影后的语音表示前置到文本表示之前,使得可以使用语音编码器进行端到端训练。这引发了关于DFP是否需要复杂的语音编码器以及其性能与标准编码器-解码器(即交叉注意力)架构相比如何的问题。我们在各种配置下比较了DFP和交叉注意力,例如CTC压缩、序列级知识蒸馏,在单语、双语和多语模型上进行测试。为了进行受控的架构比较,我们从头开始训练所有模型,而不是使用大型预训练模型,并使用可比的数据和参数设置,在MuST-C v1.0和CoVoST2数据集上测试语音到文本识别(ASR)和翻译(ST)。尽管DFP被广泛采用,但我们的结果并未表明DFP在交叉注意力上有明显优势。
摘要: Following the remarkable success of Large Language Models (LLMs) in NLP tasks, there is increasing interest in extending their capabilities to speech -- the most common form of communication. The most widespread approach to integrating speech into LLMs is dense feature prepending (DFP), which prepends the projected speech representations to the textual representations, allowing end-to-end training with a speech encoder. This raises questions about the need for a sophisticated speech encoder for DFP and how its performance compares with a standard encoder-decoder (i.e., cross-attention) architecture. We compare DFP and cross-attention under a variety of configurations, such as CTC compression, sequence-level knowledge distillation, on monolingual, bilingual, and multilingual models. To perform a controlled architectural comparison, we train all models from scratch rather than using large pretrained models and use comparable data and parameter settings, testing speech-to-text recognition (ASR) and translation (ST) on MuST-C v1.0 and CoVoST2 datasets. Despite the wide adoption of DFP, our results do not indicate a clear advantage of DFP over cross-attention.
评论: 被NAACL 2025接受
主题: 计算与语言 (cs.CL) ; 声音 (cs.SD); 音频与语音处理 (eess.AS)
引用方式: arXiv:2501.02370 [cs.CL]
  (或者 arXiv:2501.02370v3 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.02370
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Tsz Kin Lam [查看电子邮件]
[v1] 星期六, 2025 年 1 月 4 日 20:14:16 UTC (337 KB)
[v2] 星期三, 2025 年 2 月 5 日 16:40:51 UTC (8,906 KB)
[v3] 星期五, 2025 年 2 月 7 日 20:12:12 UTC (9,200 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号