2022年语音合成（TTS)和语音识别(ASR)年度总结

论文统计每月更新一次，主要跟踪语音合成和语音识别的发展状况。很多文章都是在会议后才发出，但不影响统计。统计过程难免存在疏漏，因此统计结果仅供参考。

所有文章语音合成领域统计列表请访问：

http://yqli.tech/page/tts_paper.html

语音识别领域论文统计请访问：

http://yqli.tech/page/asr_paper.html

开源语音数据查询:

http://yqli.tech/page/data.html

如何查找语音资料请参考文章:

https://mp.weixin.qq.com/s/eJcpsfs3OuhrccJ7_BvKOg

文章统计excel :

https://docs.google.com/spreadsheets/d/11YYOg6i6UXw19_g1JRaXGNhvt1zhG24RgOXCzZlqZGE/edit?usp=sharing

AIGC统计：

http://yqli.tech/page/aigc.html

语音合成篇

表一给出具体分类说明。2022年语音合成有446篇文章，比2021多一些。图二和图三是2022年和2021年在每个研究方向上对比柱状图和饼状图，除了声学模型网络结构和声音转换相对稍微下降，其它方向都有上升。本年度的热点主要分布在声学模型、声码器、歌唱合成、声音转换和多模态。我们知道Diffusion模型在图像领域很火，同样在语音合成领域有24篇文章采用该技术。最后，自从vits端到端以来，很多开源平台也都支持该网络，今年也有十来篇文章做端到端，比如trinitts naturalspeech等等，端到端依然会是接下来几年的研究热点。

表一  语音合成分类说明

图一  2022和2021语音合成论文总量

图二 2022年和2021年语音合成各领域文章分布柱状图

图三 2022年和2021年语音合成各领域文章分布饼状图

语音合成的文章列表请访问:

http://yqli.tech/page/tts_paper.html

语音识别篇

语音识别的文章分类参照表二说明。2022年语音识别文章有641篇，由于今年刚开始统计语音识别文章，所以没有对比2021年情况。由图四和图五可知，声学模型性能优化、无监督学习、多语言系统、个性化、speech translation以及speaker diarization等地方研究较多，其中开源工具espnet、wenet、k2、paddlespeech等都搞得如火如荼。

可参见煮酒论开源语音工具包：

https://mp.weixin.qq.com/s/ZFD2mUAC1B6ZH5JEf5yJmg

表二 语音识别分类说明

图四 语音识别文章分布柱状图（单位：篇）

图五 语音识别文章分布饼状图

语音识别的文章列表请访问

http://yqli.tech/page/asr_paper.html