2022年1~10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。

文章统计excel https://docs.google.com/spreadsheets/d/11YYOg6i6UXw19_g1JRaXGNhvt1zhG24RgOXCzZlqZGE/edit?usp=sharing

---

（AIGC这么火，打算跟一下其动态，后续整理资料分享，详情后续参见http://yqli.tech/page/aigc.html）

一 语音合成篇

表一给出具体分类说明。2022年10月的语音合成相关的文章有45篇，相比9月份增加不少（详情见图1），但少于去年篇数。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、歌唱、声音转换和声码器较多一些，其中diffusion有三篇文章。​

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

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

2022.10月份的文章

https://docs.google.com/spreadsheets/d/11YYOg6i6UXw19_g1JRaXGNhvt1zhG24RgOXCzZlqZGE/edit?usp=sharing

二 语音识别篇

语音识别的文章分类参照表三说明。图3是语音识别文章总数，本月有104篇，相比9月份爆炸增长，是否前几个月都积攒到这个月。语音识别的研究方向具体情况参见表4和图4，其中无监督、多语言、speech translation稍微多一些（热点在变，感觉很多文章不太好分类）。

                                  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，半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

                                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

2022.10月份语音识别具体文章

https://docs.google.com/spreadsheets/d/11YYOg6i6UXw19_g1JRaXGNhvt1zhG24RgOXCzZlqZGE/edit?usp=sharing