本研究提出音频评分蒸馏采样（Audio-SDS），旨在解决音频生成领域缺乏通用模型的问题。Audio-SDS 能够实现多种音频处理任务，如物理音效模拟和源分离，展示了蒸馏方法的广泛适用性。

本研究探讨了室外环境下的基于距离的源分离（DSS），提出了一种结合两阶段conformer block和线性关系感知自注意力（RSA）的模型，显著提高了移动设备的能源效率和实时推断速度。

该研究探讨了多种语音处理模型的优化，包括单声道源分离、语音降噪和超分辨率。提出的模型SPMamba和Wave-U-Mamba在噪声环境中表现优异，处理速度显著提高，实验结果显示其在语音增强和分离任务中效果良好。

本文介绍了一种新的多说话者语音识别框架，采用端到端方式整合源分离和语音识别，实验结果显示相对改进达83.1%。此外，提出了多种语音合成和翻译模型，特别在多人重叠说话和语音到语音翻译任务中表现优越。

本文介绍了多种基于掩蔽和深度学习的语音处理方法，包括语音超分辨率、噪声环境下的语音识别提升和单声道源分离。这些方法在不同任务中显著提高了语音表示和识别的性能。

本文探讨了神经网络在模拟神经电路中的应用，研究了啮齿动物和果蝇的头部定向系统，证明神经网络能够自然生成不同类型的神经元。提出了一种新算法以提高脉冲神经网络的训练效率，并展示其在复杂序列学习中的优势，同时提出了一种生物学可行的模型，具备优秀的相关源分离能力。