本文重点讨论了模拟语音数据集的重要性以及如何利用数据模拟技术来生成与现实环境密切相关的语音数据集，并通过多麦克风的实验验证了其在各种情况下的可行性。

Nov, 2017

本文提出了第一种实时、通用且强健的对抗攻击方案，能通过在任意用户的语音输入上添加通用扰动，在线进行万能识别。同时，利用房间脉冲响应 (RIR) 对声音失真进行建模，提高攻击的鲁棒性。在公共数据集上的实验表明，这种攻击的成功率高达 90% 以上，并且攻击速度比当代非通用攻击快 100 倍。

Mar, 2020

本文研究基于语音命令技术的系统安全问题，针对目前已有的攻击方式进行了分析，提出了一种新的潜在威胁，通过嵌入在音乐中的语音命令对 ASR 系统进行远程控制。研究者针对技术难点进行了创新性的技术突破，并针对此类攻击提出了一种新的缓解方案。

Jan, 2018

本文介绍了一种情感语音数据库，涵盖男性和女性以及法语男性等不同语音。该数据库可以用于合成和生成语音，并且可以控制情感维度。通过建立一个简单的 MLP 系统，我们可以将中性语音转换为愤怒语音风格，并通过 CMOS 感知测试评估其效率，结果表明该系统的效率非常高，这为未来工作打下了良好的基础。

Jun, 2018

在搜索和救援环境中，语音识别面临嘈杂和残音扰动的问题；作者创建了名为 RescueSpeech 的语音数据集并公开发布，但目前使用最先进的方法仍无法达到令人满意的性能水平。

Jun, 2023

本文描述了一份音频数据集，可以用于训练和评估关键词检测系统，并介绍了为什么该任务是一个有趣的挑战，以及为什么需要不同于用于自动语音识别的常规数据集的专门数据集。本文还提出了一种方法来实现可重复和可比较的准确性指标，并描述了数据的收集和验证方式、数据的属性以及以前的版本。最后，报告了在该数据集上训练的模型的基线结果。

Apr, 2018

该论文提出了一个真实空间脉冲响应、背景噪声和重传音频数据的数据集，并在两组自动语音识别实验中验证了其应用价值，结果表明精心挑选的有限数量的真实空间脉冲响应与大量人工生成的响应相比，能够取得同等优秀的 ASR 结果；同时，该论文介绍了脉冲响应数据的处理过程和音频数据增广技术，并开放了这个数据集的非限制性许可证。

Nov, 2018

本文提出一个新的适用于波斯语的多用途视听数据集，包括近 220 小时的视频，可用于自动语音识别、视听语音识别、说话人识别和自动口型阅读。同时，本数据集也是波斯语中第一个大规模口型阅读数据集。还提出了一种检测波斯语中视音素（一个音素的可视对应物）的技术，在相对于先前提出的视音素方案的基础上可以将口型阅读精度提高 7%。

Jan, 2023

提出一种全自动的语音纠错和口音减少系统，称为 CorrectSpeech，能够识别、对齐、编辑语音，用于纠正不当用词、发音错误等问题。实验结果验证了该系统的实用性和效果，可用于语音录音的口音校正。

Apr, 2022

该研究论文介绍了首个真实的音频 - 视觉深度伪造数据库 SWAN-DF，其中嘴唇和语音同步，并具有高质量的视觉和音频。研究表明，通过调整现有的预训练深度伪造模型来适应特定身份，可以在超过 90% 的时间内成功欺骗人脸和说话人识别系统，并获得非常逼真的伪造视频。

Nov, 2023