本研究使用深度神经网络（DNN）学习特征表示和亚音素后验概率，证明使用单个DNN进行说话人和语言识别可以取得显著的性能提升。统一DNN方法在2013年域自适应挑战说话人识别任务上取得了55%的EER降低，以及在NIST 2011语音识别评估测试中，在30秒测试条件下取得48%的EER降低。

Apr, 2015

本文提出了一种简单而高效的量化方案，将神经网络的参数分辨率从32位浮点值减少到8位整数值，从而产生了显著的内存节省和可以使用优化后的硬件指令进行整数算术操作，从而显着降低了推理成本，并通过提出的“量化感知”训练过程进行网络训练，发现可以恢复大部分量化引入的精度损失，并验证了该技术在一个开放式大词汇语音识别任务上的应用。

Jul, 2016

Deep Speaker是一种神经说话人嵌入系统，可以将话语映射到一个超球上，在此球上，通过余弦相似度来度量说话人的相似性。该系统通过采用ResCNN和GRU架构提取声学特征，然后通过平均池化生成话语级别的说话人嵌入，并使用基于余弦相似度的三元组损失进行训练。实验表明，Deep Speaker优于基于DNN的i矢量基线，在三个不同数据集上表现出色，还表明适应普通话训练的模型可以提高对英语说话人的识别精度。

May, 2017

本文研究使用卷积时延深度神经网络结构（CT-DNN）来学习说话人特征，实验结果表明CT-DNN 可以产生高质量的说话人特征，即使使用单一特征（包括上下文的0.3秒），错误拒识率亦可低至7.68%。

May, 2017

本文提出了一种针对深度模型量化的优化框架和量化算法，首次理论分析单个图层的参数量化误差与模型精度之间的关系，达到了比以前的优化方法更高的压缩率和相同模型精度下更高的压缩率。

Dec, 2017

描述了一个基于神经网络的文本转语音（TTS）合成系统，可以以许多不同讲话者的声音生成语音音频，该系统由三个独立训练的部分组成，包括训练说话者编码器网络进行讲话者验证任务，基于Tacotron 2的序列合成网络，以及将梅尔频谱图转换为时间领域波形样本的自回归WaveNet基声码器。

Jun, 2018

本文提出了一种端到端的系统，该系统包含两个深度神经网络，其一个用于提取语音级别的说话者嵌入，另一个用于后端分类，通过具有预训练方案的模型架构调整可以提取说话者嵌入，并使用附加目标函数简化提取过程，此系统在VoxCeleb1数据集上实现了同等于具有数据增强的最先进的x向量系统的表现。

Apr, 2019

本文介绍了量化技术如何减小深度神经网络的规模，提高推理延迟和吞吐量，并评估它们在各种应用领域的不同神经网络模型上的选择，包括视觉、语音和语言等方面，并重点介绍适用于高吞吐量整数数学流水线处理器加速的量化技术。同时，还提供了一种8位量化工作流，能够在所有研究的网络上保持1%的浮点基线精度，包括更难量化的模型，如MobileNets和BERT-large。

Apr, 2020

该论文提出了一种基于量化的后训练量化流程，无需重新训练即可加速深度神经网络的推理，并得到了在ImageNet上6位的Top-1准确率增加2.2%的结果。

Oct, 2022

我们对语音表示学习模型应用最近的量化技术，并在 SUPERB 基准测试上进行评估。与 DistillHuBERT 相比，在 ASR 任务上，2比特配置的存储更小，字错率更低，估计的运行时间更高效。

Dec, 2022