本研究提出了一种基于意图的听觉场景理解（II-ASU）方法，开发了听觉注意力驱动的大型语言模型（AAD-LLM），通过脑电图数据解码听众关注的说话者，实验结果表明其在多说话者场景中的表现优于传统模型。

我们开发了MParrotTTS，一个支持多语言和多说话者的文字转语音模型。通过模块化的自我监督训练，该模型在最少数据下适应新语言，并保持说话者特征。实验显示，在六种语言中，MParrotTTS的语音流畅度和相似度优于现有模型，且仅需少量训练数据。