NAVER LABS Europe Submission to the Instruction-following 2026 Short Track
NAVER LABS Europe का IWSLT 2026 सबमिशन अपने मल्टी-स्टेज ASR, ST, और SQA पाइपलाइन को SpeechMapper प्रोजेक्टर और एक सिंथेटिक वैज्ञानिक डेटासेट (fakACL) के साथ उन्नत करके इंस्ट्रक्शन-फॉलोइंग शॉर्ट ट्रैक में संयुक्त प्रथम स्थान की रैंकिंग प्राप्त करता है, जो एक अधिक कॉम्पैक्ट आर्किटेक्चर और एक कमजोर LLM बैकबोन के साथ बेहतर प्रदर्शन सक्षम करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, लेकिन थोड़े भुलक्कड़ रोबोट सहायक को यह सिखाने की कोशिश कर रहे हैं कि किसी इंसान की बात को कैसे सुनना है, उसे समझना है, और फिर उस पर आधारित सवालों के जवाब कैसे देने हैं—वह भी अलग-अलग भाषाओं में। यह बिल्कुल वही है जो NAVER LABS Europe की टीम ने एक प्रमुख प्रतियोगिता IWSL 2026 के लिए किया था।
यहाँ उनके काम का विवरण दिया गया है, जिसे कुछ उपमाओं (analogies) के साथ सरल तरीके से समझाया गया है।
लक्ष्य: "यूनिवर्सल ट्रांसलेटर" चुनौती
इस टीम ने एक प्रतियोगिता में भाग लिया जहाँ उन्हें एक ऐसा सिस्टम बनाना था जो:
- अंग्रेजी भाषण को सुन सके और उसे लिख सके (एक कोर्ट स्टेनोग्राफर की तरह)।
- उस भाषण का चीनी, इतालवी या जर्मन में अनुवाद कर सके।
- जो सुना गया है, उसके बारे में उन्हीं भाषाओं में सवालों के जवाब दे सके।
इसे ऐसे समझें जैसे एक रोबोट को एक लेक्चर हॉल में बैठने, लेक्चर के नोट्स लेने, अपने दोस्त के लिए लेक्चर का अनुवाद करने और फिर उस दोस्त से विषय पर क्विज़ कराने के लिए प्रशिक्षित करना, और वह भी बिना कभी स्क्रीन पर टेक्स्ट देखे—केवल आवाज़ सुनकर।
समस्या: एक छोटा दिमाग, एक बड़ा काम
पिछले साल, इस टीम ने एक विशाल "दिमाग" (एक लार्ज लैंग्वेज मॉडल या LLM) का उपयोग करके प्रतियोगिता जीती थी। इस साल, उन्हें एक बहुत छोटे, कमजोर दिमाग (एक 4-बिलियन पैरामीटर मॉडल) का उपयोग करने के लिए मजबूर किया गया।
उपमा: कल्पना कीजिए कि पिछले साल के रोबोट के पास भाषा विज्ञान (linguistics) में पीएचडी थी। इस साल, उन्हें एक बहुत ही होनहार हाई स्कूल छात्र का उपयोग करना था। चुनौती यह थी कि इस "छात्र" को बिना अतिरिक्त समय या संसाधन दिए, "पीएचडी" जितना प्रदर्शन करने के योग्य बनाना।
समाधान: दो विशेष उपकरण
इस छोटे दिमाग को काम करने के योग्य बनाने के लिए, उन्होंने केवल डेटा नहीं डाला। उन्होंने मस्तिष्क को सीखने में मदद करने के लिए दो विशेष उपकरण बनाए, जैसे एक ट्यूटर और एक अनुवादक मिलकर काम कर रहे हों।
1. "कान-से-मस्तिष्क" का जुड़ाव (SpeechMapper)
रोबोट का दिमाग टेक्स्ट पढ़ने के लिए बना है, सुनने के लिए नहीं। आमतौर पर, आपको ध्वनि तरंगों को टेक्स्ट में बदलने के लिए एक भारी, जटिल मशीन की आवश्यकता होती है ताकि मस्तिष्क उसे समझ सके।
- उन्होंने क्या किया: उन्होंने पुराने भारी मशीन को हटाकर एक नया, हल्का उपकरण बनाया जिसे SpeechMapper कहा जाता है।
- उपमा: कल्पना कीजिए कि पुराना तरीका एक गाने को संगीत के नोट्स लिखने के माध्यम से अनुवाद करने जैसा था। यह धीमा और बोझिल था। नया SpeechMapper एक "संगीत की समझ रखने वाले कान" की तरह है जो तुरंत धुन को पहचान लेता है और सीधे गायक के कान में सही धुन गुनगुना देता है। यह केवल सुनने के अभ्यास से ध्वनि को "विचारों" में बदलना सीखता है, जिससे यह बहुत तेज़ हो जाता है और कंप्यूटर की मेमोरी पर कम दबाव डालता है।
2. "नकली लेक्चर" जनरेटर (fakACL)
टीम ने देखा कि रोबोट किताबें पढ़ने में तो अच्छा था लेकिन उसे इस विशिष्ट शैली के साथ संघर्ष करना पड़ा: वैज्ञानिक प्रस्तुतियाँ (जैसे कंप्यूटर साइंस कॉन्फ्रेंस में होती हैं)।
- उन्होंने क्या किया: उन्होंने fakACL नामक एक नकली डेटासेट बनाया। उन्होंने रोबोट के अपने दिमाग का उपयोग करके नकली वैज्ञानिक भाषण लिखे, और फिर उन भाषणों को आवाज़ में बदलने के लिए एक वॉयस सिंथेसाइज़र का उपयोग किया।
- उपमा: यह एक ऐसे छात्र की तरह है जो इतिहास की पाठ्यपुस्तकों में तो बहुत अच्छा है लेकिन आधुनिक भौतिकी (physics) की परीक्षा देने वाला है। केवल इस उम्मीद में कि वह पास हो जाएगा, शिक्षक (टीम) ने छात्र के अभ्यास के लिए कई नकली भौतिकी व्याख्यान तैयार किए। यह उस अंतर को पाटता है जो छात्र के ज्ञान और टेस्ट की मांग के बीच होता है।
प्रशिक्षण प्रक्रिया: समानांतर सीखना (Parallel Learning)
टीम ने सब कुछ एक साथ प्रशिक्षित नहीं किया। उन्होंने तीन-चरणीय पाइपलाइन का उपयोग किया:
- चरण A: "कान" (SpeechMapper) को वास्तविक भाषण डेटा का उपयोग करके ध्वनि को समझना सिखाएं।
- चरण B: "मस्तिष्क" (LLM) को टेक्स्ट डेटा का उपयोग करके टेक्स्ट समझना और सवालों के जवाब देना सिखाएं।
- चरण C: उन्हें एक साथ लाएं। उन्होंने प्रशिक्षित "कान" और प्रशिक्षित "मस्तिष्क" को मिला दिया और उन्हें एक अंतिम, संक्षिप्त अभ्यास सत्र दिया जहाँ उन्हें एक साथ सुनना और बोलना था।
परिणाम: अपनी क्षमता से अधिक प्रदर्शन करना
पिछले साल के मुकाबले बहुत छोटे "दिमाग" का उपयोग करने के बावजूद, उनका नया सिस्टम अविश्वसनीय रूप से अच्छा प्रदर्शन कर रहा था।
- परिणाम: वे समग्र रैंकिंग में प्रथम स्थान के लिए टाई (बराबर) रहे।
- आश्चर्य: उनका सिस्टम पिछले साल के विजेता सिस्टम से कुछ क्षेत्रों में वास्तव में बेहतर था, भले ही वह छोटा था और उसमें कम कंप्यूटिंग पावर का उपयोग किया गया था।
यह क्यों महत्वपूर्ण है (पेपर के अनुसार)
पेपर का दावा है कि ध्वनि को टेक्स्ट से जोड़ने के एक स्मार्ट तरीके (SpeechMapper) का उपयोग करके और यथार्थवादी, नकली डेटा (fakACL) पर अभ्यास करके, उन्होंने यह साबित कर दिया कि एक महान वॉयस असिस्टेंट बनाने के लिए आपको एक विशाल, महंगे कंप्यूटर दिमाग की आवश्यकता नहीं है। आपको बस सही प्रशिक्षण विधियों की आवश्यकता है।
संक्षेप में: उन्होंने एक छोटे, सस्ते रोबोट को लिया, उसे एक बेहतर "कान" दिया, उसे नकली लेक्चर पर अभ्यास कराया, और अंततः वह दिग्गजों के खिलाफ दौड़ जीत गया।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।