SpMis：合成口语虚假信息检测的研究

本研究提出了基于音素到音素、文本到语音和语音到语音的三种合成语音生成方法，以提高发音错误检测的准确性。

开发了新数据集RedPen，帮助评价和开发模拟语音模型，发现不同的错误类型和区域。

通过合成数据训练，显著提升了纠错模型的性能，消除对人类语音数据的依赖。

研究了合成音频数据在对话状态追踪中的应用，开发了级联和端到端模型，展示了合成数据的有效性。

现有合成语音检测器存在性别、年龄和口音偏见，需要进一步研究以确保公正性。

评估了自动语音识别系统对不流利言语的处理性能，揭示了技术存在的重要差距。

提出三种方法生成合成样本，以训练和评估多模态大语言模型，解决样本稀缺性问题。

研究了对话语音识别中的合成数据生成问题，提出高效的合成数据生成管道，提升模型表现。

针对伪造音频的挑战，提出整合人类可辨识语言特征的方法，强调人类知识在技术中的重要性。

引入标点恢复数据集SponSpeech，显著提升了模型在实际应用中的有效性。