本研究提出了CleanMel，一个用于去噪和去混响的单通道梅尔谱网络，旨在提升语音质量和自动语音识别（ASR）性能。实验结果表明，该网络在处理噪声和混响录音时显著改善了语音质量和ASR效果。

本研究提出了一种结合双向门控递归单元（BGRU）与Transformer模型的新方法，以改善嘈杂环境中的语音增强效果。实验结果表明，该方法在降噪和语音质量提升方面显著优于传统技术。

本研究提出Kolmogorov-Arnold网络（KAN）用于高保真语音增强，实验结果表明其在提升语音质量方面表现优异，且对模型规模和运算量影响较小，显示出KAN的潜力。

本研究探讨了CEEMDAN算法在音频源分离中的有效性，指出其在分离混合信号方面存在局限性。尽管CEEMDAN能改善语音质量，但对不同语音信号的分离效果仍不理想。

本研究提出了Quality-Net模型，能够在没有干净参考语音的情况下评估语音质量，实验结果表明其与PESQ高度相关。此外，探讨了大型语言模型在自动语音识别和语音合成中的应用，并提出了改进评估机制以提升自然语言处理模型的性能。

该论文探讨了多种自适应语音增强方法，如辅助说话者特征、时间频域网络和频谱注意力融合等。研究表明，这些方法在公共数据集上表现优越，显著提高了语音质量和清晰度，具有良好的适应性和实际应用潜力。

该研究探讨了多语言语音匿名化系统的有效性，表明基于英语训练的模型可适用于其他语言。研究分析了语音情感信息的影响，并提出了新的匿名化技术和评估方法，以保护说话者身份并保持语音质量。

该论文探讨了语音用户界面的发展及其引发的语音数据隐私问题，提出了匿名化语音的解决方案和评估挑战。研究表明，现有的匿名化系统在情感识别方面效果不佳，而新方法能够在保护说话人身份的同时保持语音质量。

本研究探讨了语音匿名化技术，利用生成对抗网络和Wasserstein距离，在保护隐私的同时保持语音质量。研究表明，现有语音转换方法对知情攻击者的保护效果有限，但对不熟悉的攻击者提供了一定保护。提出的新方法有效掩盖说话人身份，增强了隐私保护效果。

VoiceCraft是一种先进的神经编解码语言模型，专注于语音编辑和零样本文本到语音合成，生成的语音几乎无法区分。研究还提出了基于面部图像生成自然语音的模型，显著提高了语音质量和自然性。

本文介绍了一种基于深度卷积神经网络的文本转语音（TTS）系统，采用数据增强方法提升模型的泛化性和鲁棒性。实验表明，该系统在保证语音质量的同时，显著缩短了训练时间，并能在普通电脑上快速生成合格语音。

该文介绍了一种基于神经传导器的 TTS 框架，使用离散语义标记实现单调对齐约束，提高了语音质量和说话人相似度。同时，该模型展示了神经传导器在 TTS 中的潜力。

该文介绍了一个改进的训练框架，用于训练单声道神经增强模型，以提高鲁棒语音识别的性能。该框架利用混合不变训练准则，扩展了未配对的干净语音和真实嘈杂数据，提高了从真实嘈杂语音中分离出来的语音质量，并通过处理和未处理信号的混合来缓解处理伪影。实验证明，相对 WER 减少了 16% 到 39%。

本文介绍了一种音频视觉语音增强系统，利用基于分数的生成模型和视觉信息。该系统在语音质量和减少生成物品方面有改进效果，并降低了发音困惑。在低信噪比情况下，该系统的单词错误率明显降低。