本文研究自监督语音表示的特征空间分布，提出了一种新的说话者标准化方法，有效消除语音中的说话者信息。通过主成分分析，探讨不同层如何编码声学参数，并提出基于子空间的学习机制，应用于语言验证和方言识别。同时，研究无监督声学特征在语音识别中的应用，提升元音分类的准确性。

研究发现，使用自监督语音表示作为特征变换的损失函数，与嘈杂音频语言匹配的模型性能更好。但这可能导致增强系统仅适用于特定语言，无法泛化到其他语言。自监督表示的训练语言对性能影响不大，而特定语言的训练数据量对性能有很大影响。

本研究提出了一种新颖的唇到语音系统，通过多个角度解决一对多映射问题。实验证明，该方法在语音生成质量方面接近真实人类话语，优于现有方法。