鲁棒语音信号模式分析与识别的深度结构化建模理论与方法（2020年度吴文俊人工智能自然科学奖一等奖）

该项目在深度学习框架下研究语音的结构化建模，团队提出5个原创方法，如极深卷积网络VDCNN、极深卷积残差网络VDCRN和自适应学习，提升了系统在多变的信道、环境和说话人条件下的鲁棒性，可用于噪声鲁棒识别和说话人确认。电院官网称部分成果已在实际系统中推广；量子位报道称其经思必驰用于小鹏P7全双工车载语音、多款量产车型、海信S7F电视（TH1520语音芯片+四麦阵列），以及央视“读诗成曲”个性化歌声合成。衡阳的机器人整机厂和语音模组厂可以借此提升机器人在工厂、展厅等强噪声、多人环境下的唤醒、识别和声纹确认能力。（来源：https://www.seiee.sjtu.edu.cn/index_news/1692.html；https://www.qbitai.com/2021/01/21109.html；https://finance.sina.com.cn/tech/csj/2021-01-12/doc-iiznezxt2367791.shtml；https://www.csdn.net/article/2021-01-18/121932715；https://soai.sjtu.edu.cn/cn/show/360；https://audiocc.sjtu.edu.cn/zh/）

Aurora4噪声鲁棒识别词错率5.67%（量子位报道）