本文汇总了多项音视频与字幕研究成果：半监督伪标记法将演讲人辨别准确率提升51.7%；自动字幕模型可直接生成目标语言字幕及时间戳；视觉感知音频字幕方法融合音视频信息；场景感知对话任务提出AVSD数据集；手语视频自动标注将BOBSL注释量从67万增至500万；双解码器Transformer提升语音识别与字幕生成性能；唇语识别发布LRS2-BBC数据集；概率音频解码器改进场景文本识别；并综述了自动音频字幕的技术、评价指标与挑战。