অডিওবুকের এন্ড-টু-এন্ড স্বয়ংক্রিয় বক্তৃতা অনুবাদ: কর্পাস, মডেল ও বিশ্লেষণ

1. ভূমিকা

ঐতিহ্যগত কথ্য ভাষা অনুবাদ (এসএলটি) পদ্ধতিগুলো মডুলার, সাধারণত স্বয়ংক্রিয় বক্তৃতা শনাক্তকরণ (এএসআর) এবং মেশিন অনুবাদ (এমটি) ক্যাসকেড করে। এই গবেষণাপত্রটি এন্ড-টু-এন্ড (ই২ই) স্পিচ-টু-টেক্সট অনুবাদ তদন্ত করে সেই প্যারাডাইমকে চ্যালেঞ্জ করে, যেখানে একটি একক মডেল সরাসরি উৎস ভাষার বক্তৃতাকে লক্ষ্য ভাষার টেক্সটে ম্যাপ করে। এই কাজ পূর্ববর্তী প্রচেষ্টার উপর প্রতিষ্ঠিত, যার মধ্যে লেখকদের নিজস্ব সিন্থেটিক স্পিচ সংক্রান্ত কাজও রয়েছে, এবং এটিকে বাস্তব-বিশ্বের, বৃহৎ-পরিসরের অডিওবুক কর্পাসে প্রসারিত করা হয়েছে। একটি মূল অবদান হলো একটি মাঝামাঝি প্রশিক্ষণ পরিস্থিতি অন্বেষণ করা, যেখানে উৎস প্রতিলিপি শুধুমাত্র প্রশিক্ষণের সময় পাওয়া যায়, ডিকোডিংয়ের সময় নয়, যার লক্ষ্য কমপ্যাক্ট ও দক্ষ মডেল তৈরি।

2. এন্ড-টু-এন্ড বক্তৃতা অনুবাদের জন্য অডিওবুক কর্পাস

ই২ই বক্তৃতা অনুবাদের একটি প্রধান বাধা হলো উৎস বক্তৃতার সাথে লক্ষ্য টেক্সট জোড়া দেওয়া বৃহৎ, সর্বজনীনভাবে উপলব্ধ সমান্তরাল কর্পাসের অভাব। এই কাজটি লিব্রিস্পিচ কর্পাসের একটি অগমেন্টেড সংস্করণ তৈরি ও ব্যবহার করে এই সমস্যা সমাধান করে।

3. এন্ড-টু-এন্ড মডেল

গবেষণাপত্রটি সিকোয়েন্স-টু-সিকোয়েন্স আর্কিটেকচার ভিত্তিক ই২ই মডেল তদন্ত করে, সম্ভবত অ্যাটেনশন মেকানিজম সহ এনকোডার-ডিকোডার ফ্রেমওয়ার্ক ব্যবহার করে। এনকোডারটি ধ্বনিগত বৈশিষ্ট্যগুলো প্রক্রিয়া করে (যেমন, লগ-মেল ফিল্টারব্যাংক), এবং ডিকোডারটি লক্ষ্য ভাষার টেক্সট টোকেন তৈরি করে। মূল উদ্ভাবন হলো প্রশিক্ষণ প্যারাডাইম:

• পরিস্থিতি ১ (চরম): প্রশিক্ষণ বা ডিকোডিংয়ের সময় কোনো উৎস প্রতিলিপি ব্যবহার করা হয় না (অলিখিত ভাষা পরিস্থিতি)।
• পরিস্থিতি ২ (মাঝামাঝি): উৎস প্রতিলিপি শুধুমাত্র প্রশিক্ষণের সময় পাওয়া যায়। মডেলটি বক্তৃতাকে সরাসরি টেক্সটে ম্যাপ করতে প্রশিক্ষিত হয় কিন্তু প্রতিলিপিটিকে একটি সহায়ক সুপারভাইজারি সংকেত হিসাবে বা মাল্টি-টাস্ক লার্নিংয়ের মাধ্যমে ব্যবহার করতে পারে। এর লক্ষ্য হলো মোতায়েনের জন্য একটি একক, কমপ্যাক্ট মডেল তৈরি করা।

4. পরীক্ষামূলক মূল্যায়ন

মডেলগুলো দুটি ডেটাসেটে মূল্যায়ন করা হয়েছিল: ১) লেখকদের পূর্ববর্তী কাজ [২] থেকে সিন্থেটিক টিটিএস-ভিত্তিক ডেটাসেট, এবং ২) নতুন রিয়েল-স্পিচ অগমেন্টেড লিব্রিস্পিচ কর্পাস। পারফরম্যান্স বিএলইইউ-এর মতো স্ট্যান্ডার্ড মেশিন অনুবাদ মেট্রিক ব্যবহার করে পরিমাপ করা হয়েছিল, ই২ই পদ্ধতিগুলোর সাথে ঐতিহ্যগত ক্যাসকেডেড এএসআর+এমটি বেসলাইনের তুলনা করে। ফলাফলগুলোর লক্ষ্য ছিল কমপ্যাক্ট ই২ই মডেলগুলোর কার্যকারিতা এবং সম্ভাব্য দক্ষতা লাভ প্রদর্শন করা, বিশেষ করে মাঝামাঝি প্রশিক্ষণ পরিস্থিতিতে।

5. উপসংহার

গবেষণাটি উপসংহারে পৌঁছেছে যে কমপ্যাক্ট ও দক্ষ এন্ড-টু-এন্ড বক্তৃতা অনুবাদ মডেল প্রশিক্ষণ দেওয়া সম্ভব, বিশেষ করে যখন প্রশিক্ষণের সময় উৎস প্রতিলিপি পাওয়া যায়। অগমেন্টেড লিব্রিস্পিচ কর্পাসের মুক্তিকে এই ক্ষেত্রে একটি উল্লেখযোগ্য অবদান হিসাবে হাইলাইট করা হয়েছে, যা ভবিষ্যতের গবেষণার জন্য একটি বেঞ্চমার্ক প্রদান করে। এই কাজটি সম্প্রদায়কে উপস্থাপিত বেসলাইনগুলিকে চ্যালেঞ্জ করতে এবং সরাসরি বক্তৃতা অনুবাদ প্যারাডাইম আরও অন্বেষণ করতে উৎসাহিত করে।

6. মূল বিশ্লেষকের অন্তর্দৃষ্টি

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি শুধু আরেকটি অনুবাদ মডেল তৈরি সম্পর্কে নয়; এটি ক্যাসকেডেড সিস্টেমের ডেটা পাইপলাইনকে কমোডিটাইজ করা এবং আর্কিটেকচারাল আধিপত্যকে চ্যালেঞ্জ করার একটি কৌশলগত পদক্ষেপ। একটি বৃহৎ, পরিষ্কার, রিয়েল-স্পিচ সমান্তরাল কর্পাস মুক্তির মাধ্যমে, লেখকরা কার্যকরভাবে ই২ই গবেষণার প্রবেশাধিকার বাধা কমিয়ে দিচ্ছেন, এই ক্ষেত্রের মাধ্যাকর্ষণ কেন্দ্র স্থানান্তর করার লক্ষ্যে। তাদের "মাঝামাঝি" প্রশিক্ষণ পরিস্থিতির উপর ফোকাস হলো একটি ব্যবহারিক স্বীকৃতি যে বক্তৃতা থেকে বিদেশী টেক্সটে বিশুদ্ধ এন্ড-টু-এন্ড লার্নিং এখনও নির্মমভাবে ডেটা-ক্ষুধার্ত; তারা বাজি ধরছে যে প্রতিলিপিগুলোকে প্রশিক্ষণ-সময়ের সাহায্য হিসাবে ব্যবহার করা কার্যকর, মোতায়েনযোগ্য মডেলের দ্রুততম পথ।

যুক্তিগত প্রবাহ: যুক্তিটি অস্ত্রোপচারের মতো সূক্ষ্মতার সাথে এগোয়: (১) সমালোচনামূলক বাধা চিহ্নিত করা (ডেটার অভাব), (২) একটি সমাধান প্রকৌশল করা (লিব্রিস্পিচ অগমেন্ট করা), (৩) একটি ব্যবহারিক মডেল ভেরিয়েন্ট প্রস্তাব করা (মাঝামাঝি প্রশিক্ষণ) যা বিশুদ্ধতা ও ব্যবহারিকতার মধ্যে ভারসাম্য বজায় রাখে, (৪) প্রতিযোগিতা ত্বরান্বিত করতে একটি সর্বজনীন বেসলাইন প্রতিষ্ঠা করা। এটি অন্বেষণমূলক গবেষণা নয়; এটি পরবর্তী বেঞ্চমার্ক সংজ্ঞায়িত করার একটি হিসাবকৃত পদক্ষেপ।

শক্তি ও ত্রুটি: শক্তি অপরিবর্তনীয়: কর্পাসটি সম্প্রদায়ের জন্য একটি সত্যিকারের উপহার এবং এটি বছরের পর বছর উদ্ধৃত হবে। প্রযুক্তিগত পদ্ধতিটি যুক্তিসঙ্গত। তবে, ত্রুটিটি "কমপ্যাক্ট ও দক্ষ" মডেলের অন্তর্নিহিত প্রতিশ্রুতিতে রয়েছে। গবেষণাপত্রটি ধ্বনিগত মডেলিং পরিবর্তনশীলতা, বক্তা অভিযোজন এবং শব্দ রোবাস্টনেসের দুর্দান্ত চ্যালেঞ্জগুলিকে হালকাভাবে উপেক্ষা করে, যা ক্যাসকেডেড সিস্টেমগুলি পৃথক, অপ্টিমাইজড পর্যায়ে পরিচালনা করে। সাইকেলজিএএন-এর মতো বিচ্ছিন্ন উপস্থাপনা সম্পর্কিত মৌলিক কাজে উল্লিখিত হিসাবে, শক্তিশালী মধ্যবর্তী উপস্থাপনা ছাড়াই সরাসরি ক্রস-মোডাল ম্যাপিং (অডিও থেকে টেক্সট) শেখা ভঙ্গুর মডেলের দিকে নিয়ে যেতে পারে যা পরিকল্পিত ল্যাব শর্তের বাইরে ব্যর্থ হয়। মাঝামাঝি পদ্ধতিটি কেবল জটিলতাকে একটি একক নিউরাল নেটওয়ার্কের লেটেন্ট স্পেসে সরিয়ে দিতে পারে, যার ফলে এটি কম ব্যাখ্যাযোগ্য এবং ডিবাগ করা কঠিন হয়ে পড়ে।

কার্যকরী অন্তর্দৃষ্টি: পণ্য দলগুলোর জন্য, টেকওয়ে হলো এই ই২ই ট্রাজেক্টরি পর্যবেক্ষণ করা কিন্তু এখনই ক্যাসকেডেড আর্কিটেকচার ত্যাগ না করা। "মাঝামাঝি" মডেলটি সীমাবদ্ধ, পরিষ্কার-অডিও ব্যবহারের ক্ষেত্রে (যেমন, স্টুডিও-রেকর্ডেড অডিওবুক, পডকাস্ট) পাইলট করার জন্য উপযুক্ত। গবেষকদের জন্য, নির্দেশনা স্পষ্ট: এই কর্পাস ব্যবহার করে এই মডেলগুলিকে স্ট্রেস-টেস্ট করুন। একসেন্টেড স্পিচ, ব্যাকগ্রাউন্ড নয়েজ বা দীর্ঘ-ফর্ম বক্তৃতা দিয়ে এগুলিকে ভাঙার চেষ্টা করুন। আসল পরীক্ষা হবে লিব্রিস্পিচে বিএলইইউ নয়, বরং বাস্তব বিশ্বের বিশৃঙ্খল, অপ্রত্যাশিত অডিওতে। ভবিষ্যতের বিজয়ী একটি বিশুদ্ধ ই২ই মডেল নাও হতে পারে, বরং একটি হাইব্রিড যা গতিশীলভাবে মধ্যবর্তী উপস্থাপনা একীভূত বা বাইপাস করতে শেখে, কার্নেগি মেলন ইউনিভার্সিটি এবং গুগল ব্রেইনের মতো প্রতিষ্ঠানের গবেষণায় ইঙ্গিত দেওয়া একটি ধারণা।

7. প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন

এন্ড-টু-এন্ড মডেলটিকে একটি সিকোয়েন্স-টু-সিকোয়েন্স লার্নিং সমস্যা হিসাবে সূত্রায়িত করা যেতে পারে। ধরা যাক $X = (x_1, x_2, ..., x_T)$ হলো উৎস বক্তৃতার জন্য ধ্বনিগত বৈশিষ্ট্য ভেক্টরের ক্রম (যেমন, লগ-মেল স্পেকট্রোগ্রাম)। ধরা যাক $Y = (y_1, y_2, ..., y_U)$ হলো লক্ষ্য ভাষার টেক্সটে টোকেনের ক্রম।

মডেলটির লক্ষ্য সরাসরি শর্তাধীন সম্ভাবনা $P(Y | X)$ শেখা। অ্যাটেনশন সহ একটি এনকোডার-ডিকোডার ফ্রেমওয়ার্ক ব্যবহার করে, প্রক্রিয়াটি হলো:

1. এনকোডার: ইনপুট ক্রম $X$ কে লুকানো অবস্থার একটি ক্রম $H = (h_1, ..., h_T)$ তে প্রক্রিয়া করে। $$ h_t = \text{EncoderRNN}(x_t, h_{t-1}) $$ প্রায়শই, একটি বাইডিরেকশনাল আরএনএন বা ট্রান্সফরমার ব্যবহার করা হয়।
2. অ্যাটেনশন: প্রতিটি ডিকোডার ধাপ $u$ তে, একটি কনটেক্সট ভেক্টর $c_u$ গণনা করা হয় এনকোডার অবস্থা $H$ এর ওয়েটেড সমষ্টি হিসাবে, ধ্বনিগত সংকেতের প্রাসঙ্গিক অংশগুলিতে ফোকাস করে। $$ c_u = \sum_{t=1}^{T} \alpha_{u,t} h_t $$ $$ \alpha_{u,t} = \text{align}(s_{u-1}, h_t) $$ যেখানে $s_{u-1}$ হলো পূর্ববর্তী ডিকোডার অবস্থা এবং $\alpha_{u,t}$ হলো অ্যাটেনশন ওজন।
3. ডিকোডার: পূর্ববর্তী টোকেন $y_{u-1}$, ডিকোডার অবস্থা $s_u$, এবং কনটেক্সট $c_u$ এর ভিত্তিতে লক্ষ্য টোকেন $y_u$ তৈরি করে। $$ s_u = \text{DecoderRNN}([y_{u-1}; c_u], s_{u-1}) $$ $$ P(y_u | y_{

মাঝামাঝি প্রশিক্ষণ পরিস্থিতিতে, মডেলটিকে একটি মাল্টি-টাস্ক উদ্দেশ্য সহ প্রশিক্ষণ দেওয়া যেতে পারে, বক্তৃতা-থেকে-টেক্সট অনুবাদ এবং ঐচ্ছিকভাবে, বক্তৃতা শনাক্তকরণ (উপলব্ধ উৎস প্রতিলিপি $Z$ ব্যবহার করে) এর জন্য যৌথভাবে অপ্টিমাইজ করা: $$ \mathcal{L} = \lambda \cdot \mathcal{L}_{ST}(Y|X) + (1-\lambda) \cdot \mathcal{L}_{ASR}(Z|X) $$ যেখানে $\lambda$ দুটি কাজের মধ্যে ভারসাম্য নিয়ন্ত্রণ করে। এই সহায়ক কাজটি একটি নিয়মিতকারী হিসাবে কাজ করে এবং এনকোডারকে ভালো ধ্বনিগত উপস্থাপনা শিখতে নির্দেশনা দেয়।

8. পরীক্ষামূলক ফলাফল ও চার্ট বর্ণনা

যদিও প্রদত্ত পিডিএফ উদ্ধৃতিতে নির্দিষ্ট সংখ্যাসূচক ফলাফল নেই, গবেষণাপত্রের কাঠামো একটি তুলনামূলক মূল্যায়ন নির্দেশ করে। এই কাজের জন্য একটি সাধারণ ফলাফল বিভাগে নিম্নলিখিত ধারণাগত বর্ণনার মতো একটি টেবিল বা চার্ট অন্তর্ভুক্ত থাকবে:

9. বিশ্লেষণ কাঠামো: একটি সরলীকৃত কেস স্টাডি

একটি কোম্পানি "গ্লোবালঅডিও" বিবেচনা করুন, যে তার ইংরেজি অডিওবুক প্ল্যাটফর্মে তাত্ক্ষণিক ফরাসি সাবটাইটেল যোগ করতে চায়।

সমস্যা: তাদের বর্তমান সিস্টেম একটি ক্যাসকেড ব্যবহার করে: এএসআর এপিআই → এমটি এপিআই। এটি ব্যয়বহুল (দুটি পরিষেবার জন্য অর্থ প্রদান), উচ্চতর লেটেন্সি (দুটি অনুক্রমিক কল) এবং ত্রুটি প্রচার (এএসআর ত্রুটিগুলি সরাসরি অনুবাদ করা হয়) রয়েছে।

এই গবেষণাপত্রের কাঠামো ব্যবহার করে মূল্যায়ন:

1. ডেটা অডিট: গ্লোবালঅডিওর কাছে ১০,০০০ ঘণ্টার স্টুডিও-রেকর্ডেড ইংরেজি অডিওবুক রয়েছে নিখুঁত প্রতিলিপি সহ। এটি "মাঝামাঝি" পরিস্থিতির সাথে পুরোপুরি মিলে যায়।
2. মডেল পছন্দ: তারা গবেষণাপত্রের প্রস্তাবিত ই২ই মাঝামাঝি মডেল পাইলট করে। তারা তাদের নিজস্ব ডেটাতে (বক্তৃতা + ইংরেজি প্রতিলিপি + মানব ফরাসি অনুবাদ) এটি প্রশিক্ষণ দেয়।
3. অর্জিত সুবিধা:
   • খরচ হ্রাস: একক মডেল ইনফারেন্স দুটি এপিআই কল প্রতিস্থাপন করে।
   • বিলম্ব হ্রাস: একটি নিউরাল নেটের মাধ্যমে একক ফরোয়ার্ড পাস।
   • ত্রুটি পরিচালনা: মডেলটি শব্দকে সরাসরি ফরাসি অর্থের সাথে যুক্ত করে নির্দিষ্ট এএসআর অস্পষ্টতার প্রতি রোবাস্ট হতে শিখতে পারে।
4. সম্মুখীন সীমাবদ্ধতা (ত্রুটি):
   • যখন একটি গাঢ় একসেন্ট সহ একজন নতুন বর্ণনাকারী একটি বই রেকর্ড করে, তখন মডেলের বিএলইইউ স্কোর ক্যাসকেড সিস্টেমের চেয়ে বেশি তীব্রভাবে নেমে যায়, কারণ ক্যাসকেডের এএসআর উপাদান পৃথকভাবে ফাইন-টিউন বা পরিবর্তন করা যেতে পারে।
   • একটি নতুন ভাষা জোড়া (ইংরেজি→জার্মান) যোগ করা সম্পূর্ণরূপে স্ক্র্যাচ থেকে পুনঃপ্রশিক্ষণের প্রয়োজন, যেখানে ক্যাসকেড শুধুমাত্র এমটি মডিউল পরিবর্তন করতে পারে।

উপসংহার: গ্লোবালঅডিওর মূল, পরিষ্কার-অডিও ক্যাটালগের জন্য, ই২ই মডেলটি একটি উচ্চতর, দক্ষ সমাধান। প্রান্তিক ক্ষেত্রে (একসেন্ট, নতুন ভাষা) এর জন্য, মডুলার ক্যাসকেড এখনও নমনীয়তা অফার করে। সর্বোত্তম আর্কিটেকচারটি হাইব্রিড হতে পারে।

10. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশ

এই কাজ দ্বারা রূপরেখা দেওয়া ট্রাজেক্টরি বেশ কয়েকটি মূল ভবিষ্যতের দিকনির্দেশ নির্দেশ করে:

• কম-সম্পদ ও অলিখিত ভাষা: চরম পরিস্থিতি (কোনো উৎস টেক্সট নেই) হলো একটি আদর্শ লিখিত রূপ ছাড়া ভাষাগুলো অনুবাদের পবিত্র গ্রেইল। ভবিষ্যতের কাজগুলিকে স্ব-তত্ত্বাবধানে প্রাক-প্রশিক্ষণ (যেমন, wav2vec 2.0) এবং ব্যাপক বহুভাষিক মডেল ব্যবহার করে ডেটা দক্ষতা উন্নত করতে হবে যাতে সম্পদ-সমৃদ্ধ ভাষা থেকে জ্ঞান স্থানান্তর করা যায়।
• রিয়েল-টাইম স্ট্রিমিং অনুবাদ: ই২ই মডেলগুলি স্বাভাবিকভাবেই লাইভ কথোপকথন, ভিডিও কনফারেন্সিং এবং সংবাদ সম্প্রচারের জন্য কম-বিলম্ব, স্ট্রিমিং অনুবাদের জন্য বেশি উপযুক্ত, কারণ তারা ক্যাসকেডেড এএসআর দ্বারা প্রায়শই প্রয়োজনীয় সম্পূর্ণ উচ্চারণের প্রতিশ্রুতি এড়ায়।
• মাল্টিমোডাল ইন্টিগ্রেশন: অডিওবুকের বাইরে, ভিজ্যুয়াল কনটেক্সট (যেমন, ভিডিও থেকে) একীভূত করা ধ্বনিগত অস্পষ্টতা সমাধান করতে পারে, যেমন মানুষ ঠোঁট পড়া ব্যবহার করে। গবেষণা এমন আর্কিটেকচার অন্বেষণ করতে পারে যা অডিও, টেক্সট (যদি উপলব্ধ), এবং ভিজ্যুয়াল বৈশিষ্ট্যগুলিকে ফিউজ করে।
• ব্যক্তিগতকৃত ও অভিযোজিত মডেল: কমপ্যাক্ট ই২ই মডেলগুলিকে একটি নির্দিষ্ট ব্যবহারকারীর কণ্ঠস্বর, একসেন্ট বা প্রায়শই ব্যবহৃত শব্দভান্ডারে ডিভাইসে ফাইন-টিউন করা যেতে পারে, গোপনীয়তা ও ব্যক্তিগতকরণ বাড়িয়ে তোলে—গুগল এবং অ্যাপলের মতো কোম্পানিগুলি ডিভাইসে এএসআর-এর জন্য সক্রিয়ভাবে অনুসরণ করা একটি দিকনির্দেশ।
• আর্কিটেকচার উদ্ভাবন: সর্বোত্তম আর্কিটেকচারের অনুসন্ধান অব্যাহত রয়েছে। ট্রান্সফরমাররা আধিপত্য বিস্তার করেছে, কিন্তু দক্ষ ভেরিয়েন্ট (কনফরমার, ব্রাঞ্চফরমার) এবং গতিশীল নিউরাল নেটওয়ার্ক যা কখন "একটি মধ্যবর্তী টোকেন তৈরি করতে হবে" তা নির্ধারণ করতে পারে (ক্যাসকেডিংয়ের একটি নরম সংস্করণ) প্রতিশ্রুতিশীল সীমান্ত, যেমন কার্নেগি মেলন ইউনিভার্সিটি এবং গুগল ব্রেইনের মতো প্রতিষ্ঠানের গবেষণায় অন্বেষণ করা হয়েছে।

11. তথ্যসূত্র

1. Duong, L., Anastasopoulos, A., Chiang, D., Bird, S., & Cohn, T. (2016). An attentional model for speech translation without transcription. Proceedings of NAACL-HLT.
2. Bérard, A., Pietquin, O., Servan, C., & Besacier, L. (2016). Listen and Translate: A Proof of Concept for End-to-End Speech-to-Text Translation. NIPS Workshop on End-to-End Learning for Speech and Audio Processing.
3. Weiss, R. J., Chorowski, J., Jaitly, N., Wu, Y., & Chen, Z. (2017). Sequence-to-Sequence Models Can Directly Translate Foreign Speech. Proceedings of Interspeech.
4. Panayotov, V., Chen, G., Povey, D., & Khudanpur, S. (2015). LibriSpeech: an ASR corpus based on public domain audio books. Proceedings of ICASSP.
5. Kocabiyikoglu, A. C., Besacier, L., & Kraif, O. (2018). Augmenting LibriSpeech with French Translations: A Multimodal Corpus for Direct Speech Translation Evaluation. Proceedings of LREC.
6. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of ICCV. (CycleGAN)
7. Baevski, A., Zhou, Y., Mohamed, A., & Auli, M. (2020). wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations. Advances in Neural Information Processing Systems.
8. Post, M., et al. (2013). The Fisher/Callhome Spanish–English Speech Translation Corpus. Proceedings of IWSLT.