在口头问题回答（SQA）的最新进展中，端到端模型取得了长足的进步。然而，预先研究的研究主要集中于提取跨度的选择。当直接在输入中存在ANS时，这种基于提取性的方法是有效的，但它在提出抽象性问题方面缺乏，而答案不是直接提取的，而是从给定的信息中推断出来的。为了弥合这一差距，我们介绍了第一个端到端的生成性口语答案（GSQA）模型，该模型赋予了系统进行抽象推理的能力。培训我们的GSQA模型的挑战在于没有口头抽象的质量检查数据集。我们建议使用文本模型初始化并利用提取性质量数据集将知识从文本生成模型转移到口语生成模型。的结果表明，我们的模型在提取性质量检查数据集上超过了3％的先前的提取模型。更重要的是，GSQA模型仅在口语提取QA数据集上进行了微调。尽管没有看到任何口头质量质量检查数据，但它仍然可以与级联模型的性能非常匹配。总而言之，我们的GSQA模型表明了将概括为广泛问题的潜力，从而进一步扩大了抽象质量检查的SQA功能。poken问答，无文本的NLP，生成模型，转移学习，表示学习