随着深度学习技术的进步，神经网络现在能够直接从原始语音数据中学习高质量的通用表示（representations），并将其应用于各种语义和非语义的语音相关任务。例如，通过分析语音中的非语义特征（如发音、共鸣等），可以检测和监控一些脑血管和神经退行性疾病（如中风、帕金森病、阿尔茨海默病等）。除此之外，源自呼吸系统气流的声音（如咳嗽声和呼吸模式）也可以用于健康监测。例如，医生可以通过识别类似百日咳的“呜”声或急性心血管事件中的喘息声来诊断相应的疾病。
谷歌的研究团队开发了一种名为 Health Acoustic Representations (HeAR) 的生物声学基础模型，该模型旨在通过分析人体的声音信号（如咳嗽、讲话和呼吸）来检测疾病。HeAR模型利用300万个音频数据训练而成，其中包括大约1亿个咳嗽声音，用于识别与健康相关的声学模式。
Spline AI基于Stable Diffusion v2的AI生成技术，通过跟AI对话，基于文本快速实现 3D 建模。