本文介绍了JoyGen框架，该框架通过130小时中文视频数据集解决了音频与唇部动作的同步及视觉质量问题，推动了AIGC领域的发展。

本文针对数字人类技术领域中音频驱动说话人脸视频生成的挑战，提出了一种联合不确定性学习网络(JULNet)。该方法通过引入与视觉误差相关的不确定性表示，同时优化误差和不确定性，大幅提升了生成视频的视觉质量和音频唇形同步效果，显示出比以往方法更高的保真度和鲁棒性。

本研究解决了在多说话人环境中提取特定说话人声音的难题，尤其是当缺乏干净音频样本时。通过对比目标说话人说话的音频片段（正录音）与未说话的片段（负录音），提出了一种新方法，实验结果表明该方法在现实场景中具有优越的性能，展现了良好的普适性。

本文提出了一种多麦克风技术，用于在混合多说话人和方向性噪声的混响环境中提取目标说话者。实验结果表明，瞬时相对传递函数（RTF）方法优于传统的到达方向（DOA）和频谱嵌入方法。

本研究提出了一种新方法，解决流式多说话人语音翻译中的说话人变化检测与性别分类问题，实验结果表明其准确性高，具有重要应用价值。

本研究提出CMR模型，通过自监督对比学习解决多方对话生成中对说话者和话题理解不足的问题，显著提升生成效果。

本研究提出了一种新声学条件方法，有效解决传统说话人分离系统在转换和重叠语音时的错误问题，显著降低了说话人错误率24-43%。

本研究解决了语音翻译系统中存在的说话者性别偏见问题，该偏见会导致翻译不准确和冒犯性表达。我们提出了一种创新方法，通过大型语言模型纠正翻译并根据说话者的性别微调语音翻译模型，实现更为准确的性别特定翻译。我们的工作在妇女的翻译准确率上相比基准提升了70%。

本文针对当前说话人验证系统缺乏可解释性的问题，提出了一种新颖的可解释性语音特征导向网络（ExPO），该网络通过引入说话人的语音特征实现说话人特征的详细分析与可视化。这一方法在说话人验证中不仅提高了解释性，还深入探讨了语音特征的单说话人和跨说话人变异性，标志着可解释性说话人验证的一个重要进展。

本研究针对当前说话人自适应文本到语音（TTS）合成方法在目标语音样本数量和质量上存在的高敏感性问题，提出了一个名为Stable-TTS的新框架。该框架通过利用高质量的预训练数据集中少量样本的韵律一致性，有效捕捉目标说话人的音色，显著提升了合成能力，尤其在样本稀缺与噪音较多的情况下表现出色。

本研究解决了在自动说话者验证和语音匿名化任务中，语音时间动态对隐私保护的影响。提出了基于音素时长的自动说话者验证度量方法，实验结果显示，音素时长会泄漏说话者信息，可能暴露说话者身份。本研究强调了考虑说话者语速和音素时长特征的重要性，并指出在开发具有强隐私保护能力的匿名化系统时，需对其进行调整。

本文介绍了“说话与提升挑战2025”，旨在推动口语评估与反馈研究，填补技术与语言学习反馈之间的空白。研究引入Speak Improve 2025语料库，为二语学习者提供评分和错误标注的数据集，包含340小时音频和60小时转录，设有四个共享任务，强调自动化对语言学习的影响。

本文提出了一种新方法，利用对抗网络生成扰动信号，以应对神经网络在输入数据上遭受微小扰动攻击的脆弱性。研究表明，扰动具有可逆性，授权实体能够恢复原始语音，实验结果证明该方法有效保护隐私。

本研究解决了一次性语音转换在实际应用中受到背景噪声干扰的问题，提出了抗噪声一次性语音转换系统Noro。该系统通过双分支参考编码模块和与噪声无关的对比说话者损失，显著提高了在干扰情况下一次性语音转换的效果，同时探讨了其在说话者表征学习上的潜力，展示了与先进的自监督学习模型竞争的能力。

我们提出了一种端到端的多通道说话人归属自动语音识别系统（MC-SA-ASR），结合了Conformer编码器和Transformer解码器。该系统在LibriSpeech数据集上实现了12%至16%的词错误率降低，并在AMI语料库中验证了其在真实会议转录中的有效性。

本研究提出了一种新方法，构建包含混合信号和真实信号的训练数据集，以解决说话人分离问题。评估结果表明，在真实混音条件下，性能提升了1.65 dB，验证了现实训练集的有效性。