摘要
端到端手语翻译（Sign Language Translation, SLT）旨在直接将手语视频转换为口语文本，而无需中间表示。由于手语视频与文本之间存在模态差异，且标注数据稀缺，该任务一直面临巨大挑战。受此影响，端到端手语翻译（即视频到文本）的输入与输出分布相较于词元到文本（gloss-to-text）的翻译方式，其表现效果相对较弱。为应对上述挑战，本文提出一种新颖的跨模态数据增强框架——XmDA（Cross-modality Data Augmentation），通过利用手语词元翻译模型生成的伪词元-文本对，将强大的词元到文本翻译能力迁移至端到端手语翻译（即视频到文本）任务中。具体而言，XmDA框架包含两个核心组件：跨模态混合（cross-modality mix-up）与跨模态知识蒸馏（cross-modality knowledge distillation）。前者显式促进手语视频特征与词元嵌入之间的对齐，以弥合模态间差距；后者则利用词元到文本教师模型生成的知识，指导口语文本的生成过程，提升生成质量。在两个广泛使用的手语翻译数据集PHOENIX-2014T和CSL-Daily上的实验结果表明，所提出的XmDA框架在各项指标上均显著且一致地优于基线模型。大量消融分析进一步验证了我们的核心观点：XmDA通过减小视频与文本之间的表征距离，有效提升了口语文本的生成能力，同时显著改善了低频词和长句的处理效果。