利用可学习前端代替 mel-filterbank，可普适于语音、音乐、声音事件和动物声音信号的分类，同时在多种分类任务和 Audioset 中表现出比 mel-filterbank 更好的性能，且参数更少。

Jan, 2021

本文讨论了声音事件检测中弱标注的多实例学习 (MIL) 框架中池化函数的 5 种类型的理论和实验比较，尤其是针对它们的定位性能。结果发现，线性 softmax 池化函数表现最佳，于是作者构建了一个名为 TALNet 的神经网络，在 Audio Set 上达到了最先进的音频标记性能，同时在 DCASE2017 挑战赛上展现了强大的定位性能。

Oct, 2018

本文提出了一种称之为 PercepNet 的用于语音增强的深度学习方法，该方法仅需要短时间的傅里叶变换，通过聚焦于语音的谱包络和周期性，可以实现高质量、实时的全频带语音增强，仅需要不到 5% 的 CPU 核心。

Aug, 2020

本论文通过在输入特征上的修改和训练目标上的修改提出了一种改善性能的旋律提取模型，实验证明该方法对于歌唱旋律提取是有效的。

Aug, 2023

通过使用基于模板的核机器，包括特征提取和推理，使用基本原语，如加法 / 减法，移位和比较器操作的模板，实现一种硬件友好的边缘设备，用于野生动物保护中的噪音监测和分类。硬件实现和测试表明，与与传统分类框架相比，基于 MP 近似的模板核机器更为高效。

Apr, 2023

本文提出了一种基于统计推断的生成模型 —— 产品滤波器（PoF）模型，它将音频频谱分解为对数频谱领域中的 “过滤器” 的稀疏线性组合，然后借助平均场方法进行后验推断，并采用变分 EM 算法估计模型的自由参数，实验证明 PoF 模型在音频处理和说话人识别任务中具有很高的潜力，因为它可以作为有效的无监督特征提取器。

Dec, 2013

本文介绍了使用 DeepFilterNet 进行实时语音增强的演示。通过利用言语生产和心理声学感知的领域知识，该模型能够匹配最先进的语音增强基准，并在单线程笔记本 CPU 上实现了实时化因子 0.19。该框架及预训练权重已在开源协议下发布。

May, 2023

提出了适用于移动设备和计算能力受限应用的移动音频流网络 (MASnet)，用于有效的低延迟语音增强。MASnet 将连续的嘈杂帧转换为复值比率掩码，然后将其应用于相应的嘈杂帧。与类似的全卷积架构相比，MASnet 采用了深度和点卷积，大大减少了每秒融合乘累加运算次数 (FMA/s)，但牺牲了一些信噪比。

Aug, 2020

本文提出了一种基于 VGG-M 和 Mel Cepstrum 系数的双流端到端框架，利用两个 BiGRU 层来处理音视频输入的时间动态，并在 AVAAcitveSpeaker 数据集上的实验结果表明，该模型具有更好的鲁棒性和更好的推断时间。

Jul, 2022

本文介绍了一种开发用于声音场景分类的低复杂度卷积神经网络的方法，其中通过余弦距离算法和 Fine-tuning 过程，将 CNNs 的卷积滤波器数量减少来缩小网络规模，从而提高运行效率并保持高准确性。

Mar, 2022