本研究探讨了语言中单词独特性、声调和语音节奏的影响，强调声调在上海方言中的重要性，并通过数据驱动模型研究元音和谐及音调编码能力，揭示了词义对声调实现的影响。

研究表明，单词的独特性在流畅口语识别中至关重要，并可通过统计模型测量。文章探讨了语音节奏的语法问题，提出了基于低频信号的Rhythm Formant Theory，分析了汉语与英语的差异。同时，研究强调了声调在上海方言中的重要性，探讨了声调变化对语音合成的影响，以及自监督语言模型在音调编码中的表现。

本研究探讨了自监督语音模型在语言特征编码中的表现，发现中间层有效捕获词级信息，高层则保留低层次信息。提出的新方法结合语音合成模型，提升了多发言人语音特征的表示能力，并在多项任务中表现优异。此外，研究展示了无监督方法在语义理解中的有效性，证明了自监督学习在语音处理中的潜力。

SelfVC是一种训练策略，使用自我监督学习和说话人验证模型生成的交织的语音表示来训练具有可控性的语音转换模型，并通过创建具有挑战性的自我合成示例来不断改进模型。该模型适用于零样本语音转换、跨语言语音转换以及具有音高和语速修改的可控语音合成任务。在自然度、说话人相似度和可理解性的评估指标上，SelfVC 在零样本语音转换方面取得了最先进的结果。