本文探讨了自我监督学习在语音任务中的应用，强调不同解码器架构对性能的影响。研究表明，自我监督学习能够生成特征，帮助理解语言习得及语音处理机制。提出通过多个神经编码器共同解决自监督任务，以提取讲话者身份、音素和情感线索等信息。尽管在多个领域取得突破，但高计算成本仍限制了模型的部署和研究。

该研究提出了两组新颖特征用于帕金森病严重度分类，分别是基于单频滤波方法的SFF倒谱系数和基于SFF的MFCC。实验结果表明，这些特征在三个语音任务中均优于传统的MFCC特征，相对提高了5.8%至7.0%。