GraphSpeech 是在图神经网络框架下提出的神经 TTS 模型，明确编码输入词汇单元在句子中的句法关系，并将此信息合并到 TTS 注意机制中产生用于文本合成的字符表示向量。实验表明，GraphSpeech 在频谱和韵律的呈现方面稳定优于 Transformer TTS 基线。

Oct, 2020

研究采用关系网络来提高神经机器翻译中对于远距离信息的记忆能力，并在多个数据集上验证该方法能够显著提高翻译性能，超越传统编码器 - 解码器模型和使用监督句法知识的方法。

May, 2018

本研究提出了一种基于依赖解析器的隐式语法表示方法，通过使用中间隐藏的依赖解析器表示来增强基础神经机器翻译模型，可以在中英文和英越翻译任务的基准数据集上显著提高 BLEU 打分表现，并超过了显式树状 RNN 和线性化方法。

May, 2019

本文提出一种基于编码器 - 解码器框架的新模型 Word Embedding Attention Network (WEAN)，通过查询分布式词表示（即神经词嵌入）来生成单词，以捕获相应单词的含义，实验结果表明，该模型在两个英语文本简化数据集上的 BLEU 分数分别为 6.3 和 5.5，在一个中文摘要数据集上的 ROUGE-2 F1 分数为 5.7，并在这三个基准数据集中取得了最优表现。

Mar, 2018

利用 TTS 引擎为训练数据中不常见的词提供合成音频，并使用正则化技术在编码器上应用弹性权重整合，从而提高 RNN-T 对 OOV 词的识别准确率并保持对非 OOV 词的性能，相对 WER 可减少 57％。

Nov, 2020

这篇论文提出对 RNN-T 模型进行修改，以利用附带的元数据文本，从而改善对于命名实体词汇的识别，并在社交媒体视频数据集上取得了 16% 左右的提升。

Jun, 2020

提出了一种改进的 DT-RNN 模型，使用句法分析中识别出的语法关系类型来识别非近义句子，实验结果表明，在 SICK 数据集上进行的语义相关性和文本蕴含识别任务上，该模型比 DT-RNN 模型的分类准确率提高了 2%，且模型预测的相似度得分与人类评分的 Pearson 和 Spearman 相关系数均高于标准 DT-RNN 模型。

Jan, 2022

本文提出了一种基于跨句嵌入结构的 TTS 模型，包含语言学信息，韵律信息和位置信息，并在女性普通话语音书籍语料库上进行了训练，结果表明该模型能够生成自然、优质的段落朗读文本，且在主观和客观测试中都表现优于基于句子的模型。

Sep, 2022

这篇研究论文介绍了一种简单有效的方法来将句法结构融入到神经注意力编码解码模型中，以实现机器翻译。文中使用了预测的源句子句法依赖树，用于生成敏感于句法周边的单词表示，以达到最佳效果。研究的实验结果表明，在英德翻译和英捷翻译方面的所有设置中，与其不考虑语法结构的版本相比，该方法均有显著的改善。

Apr, 2017

本文尝试使用 Transformer network 和 multi-head attention 机制来解决 neural text-to-speech 中的 training efficiency 和 long range dependency 问题，在效率和性能方面实现了 state-of-the-art 表现。

Sep, 2018