摘要

近年来，大型语言模型（LLMs）的进展显著推动了多语言语音翻译与机器翻译的发展，其优势体现在降低表示误差以及融合外部知识方面。然而，当前的翻译任务通常采用束搜索（beam search）解码策略并仅选取最优的单个假设（top-1）作为输出。这类方法难以充分挖掘多样化的N-best候选译文所蕴含的丰富信息，因而对于需要生成单一高质量输出序列的翻译任务而言，其性能并非最优。本文提出一种面向翻译任务的新生成范式——“GenTranslate”，该方法基于大型语言模型，从N-best候选译文列表中整合多样化信息，生成更优的翻译结果。通过充分利用LLMs所具备的丰富语言知识与强大的推理能力，GenTranslate能够有效融合N-best候选结果中的语义与结构信息，从而生成质量更高的翻译输出。此外，为支持LLM的微调训练，我们构建并公开发布了一个名为HypoTranslate的数据集，该数据集包含11种语言的超过59.2万对候选译文-目标译文样本。在多个语音翻译与机器翻译基准测试（如FLEURS、CoVoST-2、WMT等）上的实验结果表明，GenTranslate显著优于现有最先进模型，展现出卓越的翻译性能。