按方向浏览
研究方向与多级分类
任务、方法、条件是并列的分类视角。点击方向名称进入论文库,点击箭头展开下一级;父方向可包含全部子方向。也可以在论文库组合筛选。
选择分类视角,逐级浏览。
方向计数与分类范围说明
方向数量按论文身份去重;研究类型与范围的核验覆盖可在论文库查看。方向覆盖数量不代表每篇原文均已重新审核。
同一篇已核论文只计一次,身份待核时按页面保留。数量含下级方向,兄弟方向可能重叠,不能直接相加;直接 0 条也可能有下级论文。
研究任务
- 唇读Lip reading 5 条
- 强制对齐Forced alignment 47 条
- 语音翻译Speech translation 163 条
- 语音交互Speech interaction 392 条
- 轮次切换Turn taking 99 条
- 语音合成Speech synthesis 638 条
- 语音转换Voice conversion 112 条
- 语音克隆Voice cloning 91 条
- 语音编辑Speech editing 43 条
- 语音配音Voice dubbing 20 条
- 语音增强Speech enhancement 290 条
- 去混响Dereverberation 45 条
- 语音分离Speech separation 164 条
- 音频修复Audio restoration 102 条
- 音频分类Audio classification 460 条
- 音频理解Audio understanding 528 条
- 音频推理Audio reasoning 55 条
- 音频检索Audio retrieval 125 条
- 音频生成Audio generation 248 条
- 音乐生成Music generation 382 条
- 音乐分析Music analysis 235 条
- 节拍跟踪Beat tracking 18 条
- 音乐检索Music retrieval 41 条
- 音频编码Audio coding 198 条
- 语音编码Speech coding 110 条
- 音频交互Audio interaction 105 条
- 音频编辑Audio editing 34 条
研究方法
- 生成模型Generative modeling 1154 条
- 扩散模型Diffusion modeling 384 条
- 流匹配Flow matching 401 条
- TransformerTransformer 290 条
- 状态空间模型State-space models 113 条
- 混合专家模型Mixture of experts 141 条
- 向量量化Vector quantization 298 条
- 神经编解码与离散单元Neural codec 105 条
- 对比学习Contrastive learning 369 条
- 迁移学习Transfer learning 368 条
- 领域适应Domain adaptation 209 条
- 元学习Meta-learning 26 条
- 多任务学习Multi-task learning 208 条
- 模型压缩Model compression 184 条
- 模型剪枝Model pruning 62 条
- 模型融合Model combination 207 条
- LoRALow-rank adaptation 286 条
- AdapterAdapter tuning 102 条
- 前缀微调Prefix tuning 12 条
- 提示学习Prompt learning 59 条
- 数据增强Data augmentation 262 条
- 用户研究User study 123 条
- 心理测量Psychometrics 18 条
- 数据集构建Dataset curation 356 条
- 数据标注Data annotation 45 条
- 评测协议Evaluation protocol 1008 条
- 基准设计Benchmark design 631 条
- 形式化分析Formal analysis 162 条
- 统计分析Statistical analysis 621 条
- 多模态学习Multimodal learning 859 条
- 注意力机制Attention mechanism 411 条
- 正则化Regularization 155 条
- ConformerConformer 40 条
- 信号处理Signal processing 727 条
- 波束成形Beamforming 69 条
- 数据清洗Data cleaning 27 条
研究条件
- 多语言Multilingual 519 条
- 代码转换Code-switching 19 条
- 跨语言Cross-lingual 194 条
- 零样本Zero-shot 275 条
- 少样本Few-shot 88 条
- 低资源Low-resource 283 条
- 流式处理Streaming 353 条
- 实时处理Real-time processing 203 条
- 多通道Multichannel 290 条
- 麦克风阵列Microphone array 224 条
- 单通道Single-channel 57 条
- 在线推理Online inference 13 条
- 长上下文Long context 10 条
- 预训练Pretraining 89 条
- 后训练Post-training 55 条
- 端到端End-to-end 17 条
- 严格因果Strictly causal 58 条
- 端侧运行On-device execution 125 条
信号
- 语音Speech 2649 条
- 音乐Music 760 条
- 环境声Environmental sound 160 条
- 音视频Audio and video 638 条
- 脑信号Neural signals 104 条
应用
- 医疗音频Medical audio 259 条
- 语音生物标志物Speech biomarker 130 条
- 游戏音频Game audio 16 条
- 助听器Hearing aids 66 条
- 教育Education 100 条
- 无障碍Accessibility 6 条
研究重点
- 鲁棒性Robustness 549 条
- 高效推理Inference efficiency 551 条
- 模型评估Model evaluation 382 条
- 模型比较Model comparison 133 条
- 可解释性Interpretability 339 条
- 公平性Fairness 97 条
- 隐私保护Privacy 127 条
- 音频安全Audio security 59 条
研究产物
- 数据集Dataset 682 条
- 基准测试Benchmark 738 条
- 软件工具Software tools 192 条
- 开源工具Open-source tools 147 条
科学主题
- 韵律Prosody 325 条
- 言语感知Speech perception 147 条
- 言语障碍Speech disorders 61 条
- 社会语音学Sociophonetics 56 条
- 空间音频Spatial audio 36 条
- 生物声学Bioacoustics 20 条
模型家族
- 音频大模型Large audio models 278 条