?

論文統(tǒng)計每月更新一次，主要跟蹤語音合成和語音識別的發(fā)展狀況(很多文章都是在會議后才發(fā)出，但不影響統(tǒng)計。統(tǒng)計過程難免存在疏漏，因此統(tǒng)計結(jié)果僅供參考。所有文章語音合成領(lǐng)域統(tǒng)計列表請訪問http://yqli.tech/page/tts_paper.html，語音識別領(lǐng)域論文統(tǒng)計請訪問http://yqli.tech/page/asr_paper.html。開源語音數(shù)據(jù)查詢 http://yqli.tech/page/data.html。

如何查找語音資料請參考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。讀者有什么建議可以直接給我發(fā)消息，我將不斷修改該統(tǒng)計。如有轉(zhuǎn)載，請注明出處。歡迎關(guān)注微信公眾號：低調(diào)奮進。

---

一 語音合成篇

表一給出具體分類說明。2022年5月的語音合成相關(guān)的文章有22篇，相比4月份下降一半詳情參見圖1。圖1中的藍色為2021年的情況，紅色為本年度的文章情況，其文章趨勢跟去年相同，5月份大幅減少。表二和圖2是語音合成的具體方向文章的情況。這個月的文章在每個方向的熱度都相當。另外，Diffusion Probabilistic Model已經(jīng)成為研究的熱點，去年在組內(nèi)我做過該專題的分享，有興趣的讀者可閱讀我列舉的幾篇早期的代表作文章?https://mp.weixin.qq.com/s/Msy9FCD68qjy868wN-8SIQ。

表一? 語音合成分類說明

分類	說明
前端	多音字，韻律，g2p等等。
聲學模型	語言特征轉(zhuǎn)聲學特征，attention工作，多說話人以及雙重學習
聲碼器	波形生成
個性化	少數(shù)據(jù)，臟數(shù)據(jù)應用等自適應
多語言	多語言模型
歌唱合成	歌唱和音樂合成
情感	風格和情感
多模態(tài)	主要搜集talking head文章
聲音轉(zhuǎn)換	基于GAN方案和特征解耦方案
S2S	?speech-to-speech
其它	基于EEG合成，開源數(shù)據(jù)，MOS評測以及語音合成的應用

圖1?語音合成論文總數(shù)

表二??語音合成論文分布情況

	1月	2月	3月	4月	5月
前端	2	0	3	0	??0
聲學模型	4	5	17	8	2
聲碼器	1	5	7	5	3
個性化	1	2	4	3	3
多語言	1	1	0	3	0
歌唱合成	5	3	5	2	2
情感風格	2	2	1	3	2
多模態(tài)	4	3	2	5	3
聲音轉(zhuǎn)換	4	2	11	3	2
s2s	1	0	2	1	2
其它	2	0	4	12	3

圖2?語音合成論文分布情況柱狀圖

語音合成的文章列表請訪問http://yqli.tech/page/tts_paper.html

2022.05月份的文章

二?語音識別篇

語音識別的文章分類參照表三說明，添加了兩個方向speech translation和multimodal,其中speech translation的總結(jié)資料可參見https://st-tutorial.github.io/assets/slides/eacl2021_st_tutorial.pdf。圖3是語音識別文章總數(shù)，其數(shù)量也下降一半。語音識別的研究方向具體情況參見表4和圖4，很明顯，無監(jiān)督學習依然是最熱門的方向，而且本月有篇無監(jiān)督系統(tǒng)的總結(jié)，推薦大家閱讀該篇文章https://arxiv.org/pdf/2205.10643.pdf。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 表三? 語音識別分類說明

分類	說明
general	包括傳統(tǒng)、混合語音識別，以及對asr的優(yōu)化
ctc	ctc優(yōu)化
rnn-t	rnn-t的優(yōu)化
aed	aed優(yōu)化
dataset	開源數(shù)據(jù)庫
data aug	數(shù)據(jù)增廣
lm	語言模型研究
multilingual	多語音系統(tǒng)以及code-switch
personal	少數(shù)據(jù)量自適應以及個性化ASR
rescoring	多種模型聯(lián)合打分
unsupervised	無監(jiān)督或者自監(jiān)督學習
accent?,dialect	口音和方言
other	其它方向研究，包括系統(tǒng)評價標準等等
robust	魯棒性
speaker diarization	speaker diarization
multichannel	多通道
speech translation	語音翻譯
multi-modal	多模態(tài)

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?圖3 ?語音識別文章數(shù)量統(tǒng)計（單位：篇）

? ? ? ? ? ?? ? ?表4?語音識別研究方向分布情況

	1月	2月	3月	4月	5月
general	12	10	13	9	6
ctc	1	0	2	5	1
rnn-t	3	1	2	3	0
aed	1	1	1	1	0
dataset	3	0	3	2	1
data augmentation	1	1	1	2	2
lm	2	2	4	3	0
multilingual	2	1	2	1	2
personal | adaptation	0	7	3	1	2
rescoring	1	1	2	0	0
unsupervised	2	3	17	19	7
accent	1	0	0	2	2
multichannel	0	4	1	1	0
robust	0	0	5	2	2
other	6	13	22	13	9
speaker diarization	0	3	4	5	2
speech translation	-	-	-	-	6
multimodal	-	-	-	-	3

? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ?圖4 語音識別研究方向柱狀圖

語音識別的文章列表請訪問http://yqli.tech/page/asr_paper.html

2022.05月份語音識別具體文章

總結(jié)

以上是生活随笔為你收集整理的2022年5月语音合成（TTS)和语音识别(ASR)论文月报的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。