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）。读者有什么建议可以直接给我发消息，我将不断修改该统计。如有转载，请注明出处。欢迎关注微信公众号：低调奋进。

2022年语音合成和语音识别文章统计excel https://docs.google.com/spreadsheets/d/11YYOg6i6UXw19_g1JRaXGNhvt1zhG24RgOXCzZlqZGE/edit?usp=sharing

AIGC统计http://yqli.tech/page/aigc.html

文前声明：由于本人非学术圈，所写内容不能面面俱到，仅为个人见解，大家谨慎参考

前言

（本部分主要胡思乱想，读者可直接跳到语音合成和识别部分）

本打算不写吐槽，但不吐槽又感觉缺少点什么，一整年都在吐槽中度过，上半年吐槽上海下半年吐槽北京。如何总结今年的生活呢？感觉发生很多很多事情，但关于自身记忆犹新的事情却少之又少。今年，我们旁观了诸多国内外发生的载入历史画卷的事件，也亲身体验了几种截然不同的生活方式，有亢奋、有愤怒、有豁达，所有事情过后又感觉一片空白和茫然，非常不实，普通的个体对历史和超大群体来说微如尘埃。

本公众号差不多开通两年，第一个年头能保持周更，但今年只能保持每月一次的文章总结。总结起来主要以下几个原因：1）以前分享内容主要以分析论文为主，现阶段我更喜欢在某一个方向做总结，而且写文章尝尝几个钟头，所以就把分享论文停了。虽然停止论文分享，但也能坚持读读论文，后续可能会把文章总结整理到个人网站，再分享到公众号上（个人网站便于资料管理和查找，公众号后台的文章管理做的太差了）。2）公众号的封闭圈子和微薄的激励消磨了太多作者的热情。记得两年前，有好几个朋友一起做公众号，但他们更新几篇文章就停更了。一方面，公众号是在封闭的圈子进行信息传播、缺少交流机制（18年后创建公众号取消留言功能）等因素造成读者很少，这扑灭了大部分作者长久更新的热情。另一方面，公众号不挣钱，更多靠作者的激情来维护（以本公众号为例，在不接广告、不乱插入广告情况下一年也就几十元钱，买个读书会员都不够）。幸好，我把公众号当成个人网站的窗口，这也是保持长久更新原因。不积跬步无以至千里，去年计划很多事情，最终没能完成，志大才疏，缺少细微的计划。因此，本年将会步步为营，尽量恢复每周一更。

近几年，AI行业因为开销大不挣钱而被很多人看衰，我身边的前同事也有转到其它领域。今年，AIGC很争气，把AI的火焰又给鼓吹了起来，其中最璀璨的两颗明珠莫过于文生图（CompVis/stable-diffusion开源后就38.6k stars)和ChatGPT(分享一个国内体验网站https://chatgpt.sbaliyun.com，搭建该网站的仁兄真直抒胸臆)。AIGC相关的开源项目和产品增加了很多，我在个人的网站对开源的项目进行了罗列，大家可进行访问体验 （http://yqli.tech/page/aigc.html，http://yqli.tech/page/aigc_review.html）。

出于好奇，我对以上的产品进行体验。ChatGPT的确很惊艳，生成的文字内容文案可以直接发布，一些简单的代码也可以生成，也可以回答一些领域的解决方案，但想要替换掉程序员目前还有些距离（感觉一些非技术人员总喜欢夸大其作用，有些人体验ChatGPT的后感觉不把程序员辞了不后快，不想想做文案工作不是更容易被替换掉吗？）。对于文生图，我的体验没有那么惊艳，虽然有时候可以生成精美的图片，但并不是我预期的图片内容。AIGC的最终极的皇冠还是视频生成，如果视频生成走到商业落地的程度，是否可以革了视频内容平台。接下来，提一下我体验的前段时间在抖音上很火的AIGC的应用：AI绘画。AI绘画在抖音等平台火起来不仅仅出于它可以生成各种风格的动画图，更因为它生成很多离谱的翻车图片（下边选了几张具有代表性的例子），这不仅让人怀疑这些产品是否昙花一现。最后，无论是文生图、ai绘画、数字人、chatgpt等成果的闪亮登场，都给AI行业注入新的活力，让我们期待一下2023年将会有更多闪亮AI应用可以破圈，迎接下一波的AI浪潮。

（终于到正文了~_~）

2022年12月份语音合成和语音识别 文章总结可阅读该文章https://mp.weixin.qq.com/s/uMCyEi_yL0kxJnw6WeLGcA

一 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

二 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等领域​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