音声コンペ

音声や音響イベントを扱うコンペ（BirdCLEF、DCASE など）では、波形をメルスペクトログラムに変換して画像認識モデルを適用するのが定跡です。異常音検知や音声認識など、タスクごとに設定の癖が強いのも特徴です。

押さえどころ

定番のパイプラインは「波形 → メルスペクトログラム → 画像認識モデル」。画像認識コンペの知見（バックボーン選択やデータ拡張）がそのまま活きる
異常音検知（DCASE Task 2 系）は「学習データは正常音のみ」の教師なし設定で、オートエンコーダ系のベースラインすら超えにくい難タスク（DCASE 2020 Task 2 の解説）
音声認識は ESPnet Model Zoo などの学習済みモデルを数行のコードで利用できる
音声を扱うマルチモーダル LLM の潮流は自然言語処理コンペとも接続する
鳥の鳴き声（BirdCLEF）や DCASE の異常音検知・音響イベント検出は毎年開催される定番コンペで、複数年分の振り返り記事が蓄積されている。ラベルなしデータの活用（DCASE2020 1位解法など）が勝敗を分けるポイントとして繰り返し登場する
時間-周波数解析の工夫（Superlets など）は、脳波（HMS コンペ）のような音声以外の波形データにも応用が効く

ESPnet による音声認識入門～ESPnet Model Zoo 編～: 学習済みモデルをダウンロードして数行で音声認識を動かす入門記事。
Speech Language Models - a reazon-research Collection: 日本語音声認識の事前学習済みモデル群の公開コレクション。
音声認識ライブラリ「HuggingSound」の紹介記事: 日本語データでファインチューニングする方法を解説。
Hugging Face「Robust Speech Recognition Challenge」開催: 多言語音声認識を題材にしたコンペの開催告知。
近年の音声認識手法の動向まとめ記事: 一つのニューラルネットワークで処理する End-to-End 手法に焦点を当てた記事。
音声認識ライブラリ「ESPnet」の紹介記事: 学習済みモデルを用いた音声認識の実践例。
PyTorchによる音声分類チュートリアル: Kaggle「Freesound General-Purpose Audio Tagging Challenge」を題材にしたチュートリアル。

機械音の異常検知チャレンジ DCASE 2020 Task 2: 教師なし異常音検知タスクのデータセット分析と複数ベースラインの実験記録。コードも公開されている。
DCASE Challenge 2022 課題一覧発表: 音響イベント検出コンペの年次課題発表。
2020〜2021年の鳥の鳴き声コンペ3つの振り返り記事: 各コンペの概要と際立った解法をまとめた記事。
DCASE 2021 技術報告まとめ: 異常音検知など複数部門の上位チーム技術報告。
DCASE2020 Challenge 1位解法: YouTube 動画の音を分類する課題への取り組みを紹介。ラベルなしデータの活用が要点。