本文综述语音与音频模型可解释性研究，涵盖：通过扰动输入生成解释，揭示单词相关音频片段对预测的影响；用深度聚类实现声源分离；设计结合正则化嵌入与NMF字典的解释器；提出端到端说话人分割；以神经网络替代NMF进行监督源分离；用掩蔽权重分解隐藏特征；以ECMVAE进行音视频分割；用LRP分析语音分类依赖的特征；探索自动音乐标记的可解释性；并提出基于Sobol的语义分割解释评价方法。