本研究解决了印尼语和英语代码切换的多语言语音合成问题，这是印尼的一个常见现象。通过引入基于微调BERT的逐词语言识别组件，该研究显著提高了语音合成的自然性和可懂度。实验结果表明，该代码切换模型在自然性和语音可懂度上优于基线模型。

本文研究了单模型的语法错误修正，比较了集成与排名方法的效率。在CoNLL-2014-test和BEA-test上取得了最新的F_0.5分数，推动了GEC的发展，并公开了相关代码和模型。

本文介绍了多语言任务导向对话（ToD）数据集的现状和限制，并推出了一个创新的多语言、多领域、多平行 ToD 数据集 Multi3WOZ，以便训练和评估多语言和跨语言的 ToD 系统。该数据集具有大规模、文化适应性强等特点，并提供了不同 ToD 相关任务的基准分数。

COPAL-ID是一个公开可用的印度尼西亚语常识推理数据集，结合了印度尼西亚的当地文化细微差别，提供了更自然的印度尼西亚文化领域内的日常因果推理描绘。研究发现，目前最好的开源多语言模型在COPAL-ID上表现不佳，与文化无关的XCOPA-ID相比，准确率显著降低，这说明这些语言模型在理解印度尼西亚本土细微差别方面仍然落后于人类。