OpenAI的Whisper语音转录工具被发现存在严重幻觉问题，转录100小时的内容中约有一半不准确。尽管OpenAI警告不应在高风险领域使用，但已有多家医疗机构在使用该工具。研究显示，Whisper在背景噪音下更易产生幻觉。OpenAI表示将改进模型以减少此问题。

本研究分析了合成语音检测器在恶意攻击下的不足，特别是音频转码和背景噪音对其性能的影响，指出现有检测方法的脆弱性，并呼吁开发更强的检测技术以应对不断演变的威胁。

本文介绍了多种基于深度学习的语音增强方法，如Deep Complex U-Net、递归变分自编码器和实时语音增强模型。这些方法在不同数据库上测试，均显示出在降噪和背景噪音处理方面的性能提升。此外，通用降噪框架D4AM有效改善了声学模型的性能，降低了错误率。

本文探讨了使用全卷积神经网络解决低信噪比下听力辅助设备中的背景噪音问题，提出了冗余卷积编码解码网络（R-CED），该网络体积小且性能优越，适用于嵌入式系统。研究表明，该方法在语音增强和识别任务中显著提高了效果，尤其在处理口吃症和耳语语音时表现出色。

本文介绍了家庭环境声音数据集（AGS），包含重叠音频和背景噪音。对比分析了声音事件识别方法，展示了数据集的可靠性和挑战。