本研究旨在探究语调在非分段语音解析中的作用。在英语 Switchboard 语料库的实验中，我们发现语调对模型的解析性能和句子边界识别准确性有所帮助，但最佳解析器并不一定产生最佳句子分割性能，最佳解析来自于将句子边界与其他成分边界联合建模。

Feb, 2023

探究在语音数据中使用音韵学信息（从语音的时间和旋律中获得的信息）来实现句子和主题单元的分割，并将其与基于单词的方法相结合，取得了与基于单词的统计语言模型相当甚至更好的性能，而且需要较少的训练数据和手动标签。

Jun, 2000

文章提出了一种概率模型，使用基础语调和词汇线索对语音进行自动分割，通过隐马尔可夫模型和决策树结合词汇和基础语调信息。作者通过在广播新闻语料库上进行 DARPA-TDT 评估，证明了将基础语调和基于单词的知识源结合可以显著减少错误，并与基于词的分割方法相当竞争力。

May, 2001

本文介绍了利用卷积神经网络从语音信号的声学特征中提取的音高重音及语调信息对共指消解产生积极影响，并且通过自动预测声调信息的实验结果进一步支持了前人研究的结论。

Jul, 2017

本论文提出了一种利用直观韵律特征进行说话人适应的方法，在 Tacotron2 的基础上，将直观韵律特征与文本编码器的输出和说话人向量拼接编码，实现音频的转换，在客观和主观的表现上都超过了基准方法，其中基于话语层面的直观韵律特征的方法达到了所有比较方法中最好的合成音相似度。

Mar, 2022

该研究探讨了将韵律和语言特征作为 MOS 预测系统的附加输入的影响，发现包含 Tacotron 编码器输出和 BERT 嵌入等高级语言输入显著提高了句子和系统层面的预测准确度。

Nov, 2022

本文通过深度学习技术重新审视了语言处理中书面文本对口语处理的作用，发现书面文本与口语数据的不匹配使得基于书面文本训练的处理器应用于口语处理时表现不佳，而基于神经网络的方法使书面文本可以用于提高口语处理性能，同时考虑语调因素可以进一步提高性能，特别是对于模型训练而言，自然语言生成的语音数据更具有实际应用价值。

Oct, 2020

本文研究了卷积神经网络在检测和分类词汇上的韵律事件，包括音高强调和短语边界音调，作者说明加入当前词汇位置特征可以使卷积神经网络表现更好，并且将模型从单个发音者扩展到多个发音者的情况下性能依然较强。

Jun, 2017

通过使用一种基于序列对序列神经网络的方法，对音频语音特征进行条件训练，以学习一个直观且有意义的潜在韵律空间，进一步控制音调、音高、语音能量等特征参数，生成多种音色，并维持与 Tacotron 基线模型相似的评分（4.26/4.23）。

Sep, 2020

本文提出一种端到端神经网络架构，考虑到在话语中不同层级中共现的韵律现象的表征需求并利用一个可学习的门控机制来评估韵律特征的重要性并选择性地保留端对端 DAC 所需的核心信息。实验结果表明，我们的模型在三个公共基准数据集上将 DAC 的精度提高了 1.07% 的绝对值。

May, 2022