提出了 TONet 模型，通过改进输入表示、网络架构和引入音高 - 八度融合机制，改善了歌唱旋律信息的音高和八度感知能力，并在多个数据集上验证了其性能提升。

Feb, 2022

利用基于 WaveNet 架构的新型合成模型，对参数声码器产生的特征进行建模，并使用混合密度输出，实现对每个帧的预测，避免了过度拟合，在预测错误的情况下进行自回归生成算法的正则化，成功将和声、非周期性和有声 / 无声组件预测在一起，比现有的参数化统计方法和拼接方法更为有效。

Apr, 2017

该研究通过对 Mel 谱图的谐波和打击性组成部分进行分析，提出了一个新的架构，包括特征映射生成器算法、基于 CNN 的网络特征提取器和多层感知器（MLP）分类器，研究有效的数据增强技术建立了丰富的混合特征映射，最终在 Berlin EMO-DB 数据库上取得了 92.79% 的测试准确率，结果优于之前使用 CNN-VGG16 的研究。

Dec, 2023

基于连续小波变换的 Mel 频谱增强范式可提高合成语音的质量，与基线模型相比，该增强范式在自回归和非自回归语音系统中实验结果表明合成语音的 MOS 得分提高了 0.14 和 0.09，为增强范式广泛适用性提供了验证。

Jun, 2024

神经音频信号处理中，通过使用基频调节来增强合成器性能，但是通过使用标准的音频重建损失函数联合训练基频估计器和合成器是一种挑战，从而依赖于外部的基频跟踪器。为了解决这个问题，我们提出使用受到最优传输理论启发的谱损失函数来最小化谱能量的位移。我们通过无监督的自编码任务在谐波信号上拟合谐波模板来验证这种方法。我们使用轻量级编码器共同估计基频和谐波的幅度，并使用可微的谐波合成器重构信号。这种方法为改善神经音频应用中的无监督参数估计提供了有前途的方向。

Dec, 2023

本文研究深度学习中语音分离网络的原理，探讨赫姆震 (音谐振) 对深度神经网络 Conv-TasNet 和 DPT-Net 的影响，并发现语音分离性能会明显受到赫姆震的影响而下降。

Mar, 2022

本文介绍了一种新的方法，通过使用复数值神经网络处理输入音频的 CQT 频域表示，结合了幅度谱图和原始音频处理方法的优点，既保留了相位信息又可使用可解释人工智能方法，结果表明该方法在 “野外” 反欺诈数据集上优于先前的方法，并通过可解释人工智能解释结果，剔除研究证明该模型已学会使用相位信息来检测声音伪造。

Aug, 2023

本文中，我们提出了一种使用唱歌语言特征的方法，通过使用 mel-scaled spectrogram 和 phonetic posteriorgram（PPG）来更准确地检测唱歌声音的音符起始点。我们的方法显著提高了唱歌转录的性能，并强调了语言特征在唱歌分析中的重要性。

Apr, 2023

探究如何利用卷积神经网络 (CNNs) 从对数 - 梅尔幅度谱图中有效地学习音色表示，提出了一种设计策略，旨在捕捉用于学习音质的相关时频上下文，并且设计了多个基于该策略的 CNN 体系结构。这些体系结构成功地应用于与音色相关的不同研究任务。

Mar, 2017

本研究调查了构建学习卷积网络用于乐器识别的问题，并对三种不同的权重共享策略进行了性能测试，结果表明混合三种卷积层在单个深度学习体系结构中的效果最佳。

May, 2016