本研究提出AlignDiT模型，解决多模态语音生成问题，能够从文本、视频和音频合成高质量语音，提高可懂性和同步性。

本研究提出了一种新颖的ProsodyFM模型，旨在改善语音合成在短语和音调方面的不足。该模型通过短语断点和终端音调编码器，提高了语音的可懂性和对复杂句子的适应能力。

本研究提出了一种低帧率语音编解码器（LFSC），旨在提高训练和推理速度。LFSC通过有限标量量化和对抗训练，以1.89 kbps的比特率和21.5帧每秒的速度实现高质量音频压缩，推理速度提高约三倍，同时保持音质和可懂性。

本文提出了一个评估框架，用于分析发音障碍语音合成的清晰度和可懂性。研究表明，该框架有效支持发音障碍语音转换系统的开发，并通过自动化技术评估语言流畅度和声音病理学，提出提高声音障碍识别准确性的新方法，同时创建了针对自闭症儿童的语音语料库，推动自动评估系统的发展。

该文汇总多项语音处理研究，涵盖语音可懂度预测、情感分类与识别、语音增强、音视频语音识别、调制识别及语音合成等任务，采用LSTM、注意力机制、卷积模块、Transformer、多模态融合等方法。

本文比较了两个语音语料库，研究了格状句对于提高自然语音可懂性的效果，并发现噪音水平的增加使得格状句和自然句都表现出类似的变化，但在 alpha 比率的增加方面，格状句呈现出更大的增长。通过主观可懂性评估发现，EMALG 上训练的 StarGAN 模型在提高可懂性方面始终优于 LCT 上训练的模型，可能归因于 EMALG 中从正常语音到 Lombard 语音的 alpha 比率增长更大。