StreamSpeech ist ein Echtzeit-Sprach-zu-Sprach-Übersetzungsmodell, das auf Multitask-Learning basiert. Durch einen einheitlichen Rahmen lernt es gleichzeitig Übersetzungs- und Synchronisierungsstrategien und erkennt effektiv die Übersetzungszeitpunkte in der Streaming-Sprachaufnahme, um ein qualitativ hochwertiges Echtzeit-Kommunikationserlebnis zu ermöglichen. Das Modell erzielt führende Leistungen im CVSS-Benchmark und bietet niedrige Latenzzeiten für Zwischenergebnisse wie ASR- oder Übersetzungsergebnisse.