2022年6月语音合成（TTS)和语音识别(ASR)论文月报

论文统计每月更新一次，主要跟踪语音合成和语音识别的发展状况(很多文章都是在会议后才发出，但不影响统计。统计过程难免存在疏漏，因此统计结果仅供参考。所有文章语音合成领域统计列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。开源语音数据查询 http://yqli.tech/page/data.html。

如何查找语音资料请参考文章https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg）。读者有什么建议可以直接给我发消息，我将不断修改该统计。如有转载，请注明出处。欢迎关注微信公众号：低调奋进。

---

一 语音合成篇

表一给出具体分类说明。2022年6月的语音合成相关的文章有43篇，相比5月份增加一倍详情参见图1，但少于2021年的54篇。表二和图2是语音合成的具体方向文章的情况。本月的文章在声学模型、情感tts、声音转换和多语言多说话人方向较多一些。

表一  语音合成分类说明

分类	说明
前端	多音字，韵律，g2p等等。
声学模型	语言特征转声学特征，attention工作，多说话人以及双重学习
声码器	波形生成
个性化	少数据，脏数据应用等自适应
多语言和多说话人	多语言模型、多说话人模型
歌唱合成	歌唱和音乐合成
情感	风格和情感
多模态	主要搜集talking head文章
声音转换	基于GAN方案和特征解耦方案
S2S	speech-to-speech
其它	基于EEG合成，开源数据，MOS评测以及语音合成的应用

图1 语音合成论文总数

表二  语音合成论文分布情况

	1月	2月	3月	4月	5月	6月
前端	2	0	3	0	0	2
声学模型	4	5	17	8	2	7
声码器	1	5	7	5	3	4
个性化	1	2	4	3	3	1
多语言	1	1	0	3	0	5
歌唱合成	5	3	5	2	2	3
情感风格	2	2	1	3	2	6
多模态	4	3	2	5	3	3
声音转换	4	2	11	3	2	6
s2s	1	0	2	1	2	0
其它	2	0	4	12	3	6

图2 语音合成论文分布情况柱状图

语音合成的文章列表请访问http://yqli.tech/page/tts_paper.html

2022.06月份的文章

二 语音识别篇

语音识别的文章分类参照表三说明，方向speech translation和multimodal在前几个月没有统计，因此先不放进图表中。图3是语音识别文章总数，本月有55篇。语音识别的研究方向具体情况参见表4和图4，很明显，无监督学习依然是最热门的方向。另外，好未来开源了一些数据，尤其本次开源500小时中英混合数据，参见https://ai.100tal.com/dataset​。开源数据总结可访问http://yqli.tech/page/data.html​。

                                  表三  语音识别分类说明

分类	说明
general	包括传统、混合语音识别，以及对asr的优化
ctc	ctc优化
rnn-t	rnn-t的优化
aed	aed优化
dataset	开源数据库
data aug	数据增广
lm	语言模型研究
multilingual	多语音系统以及code-switch
personal	少数据量自适应以及个性化ASR
rescoring	多种模型联合打分
unsupervised	无监督或者自监督学习
accent ,dialect	口音和方言
other	其它方向研究，包括系统评价标准等等
robust	鲁棒性
speaker diarization	speaker diarization
multichannel	多通道
speech translation	语音翻译
multi-modal	多模态

                                     图3  语音识别文章数量统计（单位：篇）

                              表4 语音识别研究方向分布情况

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

                                图4 语音识别研究方向柱状图

语音识别的文章列表请访问http://yqli.tech/page/asr_paper.html

2022.06月份语音识别具体文章

​