本研究探讨了语言技术（如大型语言模型）的人性化现象所带来的潜在负面影响，并提出需要建立一个共有的词汇来有效讨论这一议题。通过分析文献和用户与语言技术互动的实例，建立了一个文本表达的分类体系，旨在促进对这一问题的更精确的讨论和决策。

本研究针对认知障碍筛查中的时效性和准确性问题，探讨了使用口语语言进行自动筛查的新方法。通过对DementiaBank录音的分析，我们发现随机森林模型在识别阿尔茨海默病相关疾病（ADRD）时具有良好的灵敏度和特异性，且语言特征能有效提高模型的可解释性。这项工作的潜在影响在于提供了一种新颖的方式，通过对话式人工智能在家监测认知健康，早期发现和干预高风险个体。

本研究提出了一种动态神经通信方法，结合计算机视觉与脑机接口技术，解决了现有研究中对静态和动态语言表达解码能力不足的问题。该方法能够快速解码口形，捕捉用户意图，推动神经通信的发展。

文章探讨了“词不达意”的概念，强调语言表达与内心感受之间的差距。分析了情感、文化背景和个人经历对表达的影响，并通过实例展示了克服这种障碍的方法，以提高沟通效果。

本文提出了一种方法来解决大型语言模型在信息生成中产生与现实冲突的问题。通过监督微调不确定性增强的预测，模型能够产生更准确的不确定性语言表达，提高用户对模型输出的信任度。

本研究将大型语言模型整合到社交机器人中，解决了传统对话方法的局限性。通过使用情感识别模型和表情符号，机器人回应具有个性和表情。试验结果显示，机器人具有共情力、乐于助人、自然和娱乐性。但自动语音识别错误和模型产生的虚构信息可能会影响对话。

通过大规模的自动语音翻译系统，我们介绍了一种能够实现流式端到端表达和多语种翻译的模型系列，其中包括改进的 SeamlessM4T 模型、能够保留语音风格和韵律的 SeamlessExpressive 模型以及能够同时实现多源和多目标语言的实时语音与文本翻译的 SeamlessStreaming 模型。