SpeechCaps：通过多说话者语音风格注释推进基于指令的通用语音模型

提出了一种新型的SLU框架，通过对话语言建模和轻量级编码器实现领域适应，表现与现有方法相当。

使用改进的序列化输出训练和轻量级适配器模块解决多说话者ASR问题，实验结果显示该方法有效。

AudioPaLM结合了PaLM-2和AudioLM，实现了对文本和语音的处理与生成，具有优异的性能。

Dynamic-SUPERB基准提供了多维度的综合评估平台，评估结果显示在未知任务上表现不佳，需要改进。

通过音频-语言知识蒸馏框架，改进了传统语言模型在分析口述文本任务上的性能。

StyleCap提出了一种生成自然语言描述语音中语言风格的方法，提高了风格预测性能。

SpeechVerse模型通过多任务训练和课程学习框架，实现在多样的语音处理任务上优异的零样本性能。

适配器微调研究了统一模型处理多个口语处理任务的潜力，性能提高了18.4%。

Style-Talker框架解决了语音对话生成中的实时性与自然性不足问题，显著提高了对话的自然性与连贯性。