本文提出一种基于对齐学习的非自回归Transformer（AL－NAT）语音识别方法。受端到端模型中编码器CTC的输出和目标序列具有单调相关性这一事实的启发。我们将编码器CTC的输出作为解码器的输入，并定义了一种对齐损失函数用于最小化该输入和目标序列之间的对齐成本矩阵。我们的方法不需要长度预测机制，在识别准确率和解码速度方面相比已有的NAT模型取得了显著提升。此外，为了学习上下文知识以提高识别准确率，我们进一步在编码器和解码器端分别增加了轻量级3－gram语言模型。实验结果表明，分别在编码器和解码器端增加语言模型对识别性能有很大提升。

近年来，深度学习技术被引入到声学回声消除（AEC）中，并取得了显著的效果。然而对于基于深度学习方法的AEC来说，最重要的问题是在多样性场景下模型的泛化能力。与大多数处理整个频段的方法不同，本文提出了用于端到端AEC的原地卷积递归神经网络（ICRN），它利用原地卷积和通道级的时间建模来确保近端信号信息得到保留。此外，本文采用复数频谱映射与多任务学习策略，获得更好的泛化能力。在多个不匹配的场景下进行的实验表明，所提出的方法优于以前的方法。

基于作者之前在时频域上使用Inplace　CRN模型对每个频率点进行单独处理得到的显著性能提升。在本文中，该方法将单频点特征作为基本的处理单元，这使得模型可以统一RNN在时频域中对频率维度和时间维度的处理方式。在此基础上，该方法将卷积神经网络（CNN）和RNN紧密结合起来作为一种基本的时频域处理单元，最终得到了密连循环卷积神经网络（DRC－NET）。DRC－NET有效融合了RNN的无限冲击响应特性和CNN的有限冲击响应特性，使得性能得到了显著提升。实验结果表明，无论是非因果版本的DRC－NET还是因果版本的DRC－NET，语音去混响的性能都优于SOTA基线模型。

本文针对伪造语音中的半真半假音频鉴别提出了一种利用高频奇异性检测特征和序列信息进行音频鉴伪的方法，以弥补对于半真半假音频检测方法的缺失。给定当前待检测的音频，该方法首先对音频进行小波分解，并提取分解后的高频分量进行重构，提取出音频中的高频奇异点以及突变特征。然后利用长短时记忆模块（LSTM）进行序列建模，进行初步的奇异点上下文建模以及定位。为了消除音频本身存在的固有奇异点干扰，该方法组合了线性频率倒谱系数（LFCC）作为补充。该方法不仅实现了对于半真半假音频数据的鉴别，同时也对伪造的音频片段进行定位。所提方法为一种新型的攻击方式——半真半假音频提供了一种有效方法，且实验结果表明，相对于已有鉴伪方法，该方法在精度和鲁棒性方面都有了很大的提高。

在本文中，作者研究了有监督的单通道语音增强系统的损失－度量不匹配问题。大多数现有的语音增强系统的性能并不令人满意，因为它们根据经验选择的损失函数与不可微的评估指标存在语义上的差距，又称损失－度量不匹配问题。在这项工作中，作者提出了一种简单而有效的方法，为真实的前端语音增强场景生成合适的损失函数，以缓解损失－度量不匹配的问题。具体来说，该方法采用了函数平滑技术，通过一组基函数及其线性组合来逼近不可微的评价指标。实验结果表明，由该方法生成的损失函数能够帮助语音增强系统在大多数评价指标上取得更显著的性能。

骨传导（BC）麦克风通过将人类头骨的振动转换为电信号来捕获语音信号。BC传感器对噪声不敏感，但带宽有限。另一方面，传统或空气传导　（AC）麦克风能够捕获全频带语音，但容易受到背景噪音。我们通过使用执行复杂频谱映射的卷积循环网络结合AC和BC麦克风的优势。为了更好地利用来自两种麦克风的信号，我们采用了基于注意力的融合以及早期融合和晚期融合策略。实验证明了所提出的方法优于其他最近结合BC和AC信号的语音增强方法。此外，我们的增强性能明显优于传统的语音增强对应物，尤其是在低信噪比场景中。