本研究探讨了手持吸入器使用的低依从性问题，利用wav2vec 2.0模型对吸入器声音进行分类，结果显示模型在数据集上的准确率达到98%。研究首次展示了智能手表在监测吸入器使用依从性方面的潜力。

本文研究了数据分割策略对口吃检测系统性能的影响，采用wav2vec 2.0和支持矢量机(SVM)进行检测。分析SEP-28k数据集后发现其演讲者数量有限，评估存在困难。为此，创建了扩展版SEP-28k数据集，增加了演讲者和性别信息，并提出多种数据分割方法以改进口吃检测的评估效果。

通过研究wav2vec 2.0、HuBERT和CPC三种自监督模型的表示空间，发现CPC模型具有微小的母语语言效应，而wav2vec 2.0和HuBERT则发展出了通用的语音感知空间。自监督模型能更好地捕获精细的知觉现象。

该研究使用不同的微调策略将Wav2Vec 2.0应用于语音情感识别，提高了性能，在IEMOCAP数据集上的准确率提高了7.4%。同时提出了一种上下文化情感表示的微调方法“P-TAPT”。

本研究使用wav2vec 2.0模型对发音困难症声学语音信号进行自动检测和严重程度分类，结果表明使用wav2vec模型的嵌入特征在准确度和严重程度分类任务中均有提升。