一般的に、直接的な音声からテキストへの翻訳（Speech-to-text translation: ST）は、音声認識（Automatic Speech Recognition: ASR）および機械翻訳（Machine Translation: MT）のタスクと共同学習される。しかし、現在の共同学習戦略には、これらのタスク間での知識の共有を妨げる問題が存在する。本研究では、タスク固有の特徴を学習しつつ、同時に共有特徴も学習できるようにする「タスク調節ネットワーク（task modulation network）」を提案する。このアプローチにより、別途のファインチューニングステップの必要がなく、一つのモデルでこれらのすべてのタスクを実行できるようになる。提案モデルは、STタスクにおいてMuST-C英語-ドイツ語データセットで28.64のBLEUスコア、ASRタスクにおいてTEDLium v3データセットで11.61%のWER（文字誤り率）、MTタスクにおいてWMT’15英語-ドイツ語タスクで23.35のBLEUスコアを達成した。これにより、STタスクにおいて新たな最先端性能（SOTA: State-of-the-art）を達成するとともに、既存のエンドツーエンド型ASRシステムを上回る性能を実現した。