受先前語音和視覺領域增強成功的啟發，Google Brain最近提出了SpecAugment，一種數據增強方法，它操作輸入音頻的對數mel光譜圖，而不是原始音頻本身。SpecAugment方法不但非常簡單，計算成本也很低，因為它直接作用于對數mel光譜圖，而不需要額外的數據。這種簡單的方法非常有用，并使研究人員能夠訓練端到端的監聽參與和拼寫ASR網絡。

通過使用簡單的手工策略增加訓練集，即使沒有語言模型的幫助，研究人員也能夠在端到端的LAS網絡上獲得librispeech 960h和Switchboard 300h超越混合系統的性能。它優于復雜的混合系統，通過使用更大的網絡和更長的訓練時間，SpecAugment能夠達到最先進的效果。

全球自動語音識別（ASR）市場預計在2016年至2024年間以超過15%的復合年增長率增長。隨著先進電子設備的飛速使用，人們對開發尖端功能和效率的需求越來越大，這樣的功能和效率提高了應用的ASR精度。SpecAugment顯著提高了ASR的性能，并可能成為人工智能工程師驅動下一代ASR應用程序所需的必要條件，這些應用程序包括機器人、交互式語音響應、自定義詞典、視頻游戲、語音驗證、家用電器等。

使用一維CNN的端到端環境聲音分類模型，加拿大的一組研究人員最近提出了一個端到端的一維CNN環境聲音分類模型。根據音頻信號的長度，該模型由3-5個卷積層組成。與許多傳統方法實現二維表示的傳統模型不同，這一模型是直接從音頻波形中學習分類器。

在對包含8732個音頻樣本的數據集進行評估時，新方法演示了幾種相關的分類器表示，其結果超越了現有的基于二維實例和二維CNN的最優效果。此外，在環境聲音分類方面，該模型比大多數其他CNN體系結構的參數都要少，與傳統的二維體系結構相比，平均精度要高出11%到27%。

根據這篇論文的評價結果，該方法在提供高度魯棒的環境聲音分類應用上具有很好的應用前景。

對于初學者來說，它的效率很高，與傳統的2D CNN相比，它只需要很少的訓練數據（后者需要數百萬個訓練參數）。它還實現了最先進的性能，可以通過實現滑動窗口處理任意長度的音頻信號。最后，它緊湊的體系結構大大降低了計算成本。