本文提出了一种新颖的虚拟模拟飞行员引擎，该引擎利用不同的人工智能工具加速空中交通管制员（ATCo）的培训，并且采用了自动语音识别和理解、高级空中交通管制相关实体解析、文本到语音子模块等先进工具，能够模拟控制操作场景、生成模拟机长的话语并提高实时监视数据的辨识准确度，是首次基于开源 ATC 资源和 AI 工具的研究。

Apr, 2023

本文探讨了 ATCO2 项目从广播频率通道，通过自愿者收集和存储音频和监视数据，并对其中包括自然语言处理、自动语音识别、英语语种识别等方面工作进行回顾，进而证明了该项目的适用性，可用于开发少量或无领域数据的自动语音识别引擎，以及在公共航空交通数据集上进行性能提升。

May, 2023

本文通过将 ASR 和 NLP 方法相结合并利用监控数据，研究了一种两步增强 callsign 的方法，最终提高了 53.7% 的绝对召唤符号识别率和 60.4% 的相对召唤符号识别率。

Feb, 2022

本文介绍 ATCO2 语料库，它旨在促进空中交通管制领域内鲜有研究的挑战性问题，该语料库涵盖数据收集和预处理，语音数据的伪标注以及 ATC 相关命名实体的提取等方面，有助于推动韧性自动语音识别和自然语言理解等技术的发展。

Nov, 2022

利用空中交通管制数据进行自然语言处理需要进行预处理步骤，我们提出了一种基于 Transformer 的联合语音识别（ASR）和说话人分离（SRD）系统，比较了该系统与传统方法在多个 ATC 数据集上的性能，研究显示了何种情况下该联合系统能够胜过传统方法以及何种情况下其他架构更可取，同时我们评估了声学和词汇差异对所有架构的影响并展示了如何克服它们。

Jun, 2024

本文介绍了一种基于人工智能的飞行员训练系统，通过行为克隆学习飞行操纵，从而帮助学生学习如何飞行飞机，并自动检测错误并提供反馈来纠正错误，重点在于直线和水平飞行的训练。

Oct, 2022

本文介绍了我们正在进行的设计一种名为 VoCopilot 的新型声音跟踪系统的努力，它是一个以节能的声学硬件和固件为中心，结合先进的机器学习模型的端到端系统。通过利用大型语言模型，VoCopilot 能够在不学习复杂的机器学习技术的情况下，持续跟踪对话，记录并转录它们，并从中提取有用的见解。为了保护终端用户的隐私，VoCopilot 使用一种新颖的唤醒机制，只记录终端用户的对话。此外，整个处理过程可以在一台普通的计算机上运行（Mac Mini M2）。在本工作中，我们展示了 VoCopilot 在两个使用场景的真实环境中的有效性。

Dec, 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

我们在 166 个编程问题的公开数据集上评估了 GitHub Copilot 的性能，发现它能够在第一次尝试中成功解决约一半的问题，并且仅使用问题描述自然语言的变化即可解决剩余 60％的问题；我们认为这种类型的提示工程是一种提高计算思维能力的潜在有用的学习活动，很可能改变代码编写技能发展的性质。

Oct, 2022

本研究提出了基于音素到音素转换、文本到语音转换和语音到语音转换三个方法来生成正确发音和发音错误的合成语音，将语音生成作为检测语音发音错误的一流方法，并在检测发音和词汇强调错误的任务中评估了这些技术，证明这些技术不仅提高了三个机器学习模型检测发音错误的准确性，而且还有助于建立该领域的新的技术标准。

Jul, 2022