SPARC：语音身份作者识别语料库

Hugging Face Daily Papers 论文
speech-anonymization speaker-verification llm-privacy dataset benchmark speech-recognition

摘要

SPARC 提出了一个包含超过 12,500 名说话人和 150 万条话语的基准数据集，用于研究仅从转录文本中能在多大程度上验证说话人身份和人口统计属性，并对归属模型和 LLM 对抗方进行了评估。研究发现，LLM 能够区分同一说话人的配对，并在机会水平之上验证性别/口音标签，而 50 词的短摘录可降低关联风险。

语音匿名化研究一直聚焦于声学信号，而转录文本本身能保留多少说话人信息这一问题仍悬而未决。在本研究中，我们从转录语音出发，研究成对的说话人身份及人口统计属性验证。我们提出 SPARC（Spoken Profile Authorship Recognition Corpus，语音身份作者识别语料库），该基准基于两个播客语料库构建，涵盖超过 12,500 名说话人、150 万条经过质量过滤的话语，以及说话人级别的性别、年龄和口音推断标签或来源提供的标签。我们评估了五种归属模型和三种 LLM 在身份与属性验证任务上的表现，并使用基于单集和元数据的主题代理。LLM 对抗方仅凭文本即可区分同一说话人的配对。属性标签的一致性更难验证，但 LLM 在性别和口音标签验证上的表现高于随机水平。最后，仅发布短探测文本（50 词）对最强对抗方的削弱效果最明显，从而在一定程度上降低了所观测到的关联风险。
查看原文
查看缓存全文

缓存时间: 2026/10/20 03:32

论文页面 - SPARC：口语化作者身份识别语料库

来源：https://huggingface.co/papers/2610.25265

摘要

转录后的语音保留了说话人和人口统计学信息，大型语言模型可以利用这些信息进行身份验证，不过仅发布简短的文本片段可以降低关联风险。

语音匿名化（https://huggingface.co/papers?q=Speech%20anonymization）研究主要聚焦于声学信号，而转录文本本身能保留多少说话人信息这一问题仍未得到充分探讨。本研究从转录语音出发，探讨成对的说话人和人口统计属性验证（https://huggingface.co/papers?q=demographic-attribute%20verification）。我们提出了 SPARC（https://huggingface.co/papers?q=SPARC）（口语化作者身份识别语料库），这是一个基于两个播客语料库构建的基准数据集，涵盖超过 12,500 名说话人、150 万条经过质量过滤的语句，以及说话人级别的性别、年龄和口音标签（由模型推断或由数据源提供）。我们在身份验证和属性验证任务上评估了五种归因模型和三种大语言模型，并使用基于节目集和元数据的话题代理进行测试。大语言模型对手（https://huggingface.co/papers?q=LLM%20adversaries）仅凭文本就能区分同一说话人的对话对。属性标签一致性（https://huggingface.co/papers?q=Attribute-label%20agreement）的验证更为困难，但大语言模型在性别和口音标签验证上的表现高于随机水平。最后，仅发布简短的探询文本（50 个词）对最强对手模型的削弱效果最为显著，从而部分降低了观察到的关联风险。

查看 arXiv 页面 (https://arxiv.org/abs/2610.25265)　查看 PDF (https://arxiv.org/pdf/2610.25265)　添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.25265)

在你的智能体中获取此论文：

hf papers read 2610\.25265

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2610.25265，即可从此页面链接到该模型。

引用此论文的数据集 1

timtsapras23/SPARC 更新于 8 分钟前 • 47 • 1 (https://huggingface.co/datasets/timtsapras23/SPARC)

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.25265，即可从此页面链接到该 Space。

包含此论文的合集 0

没有合集包含此论文

将此论文添加到合集 (https://huggingface.co/new-collection) 即可从此页面链接到它。

相似文章

课堂环境下的多模态说话人识别

arXiv cs.CL

本文评估了一种用于K-12课堂说话人识别的多模态框架，通过将声学嵌入（ECAPA-TDNN）与基于LLM的转录本语义上下文相结合，将整体准确率从39%提升至50.3%，对于较长话语，准确率从64.9%提升至76.9%。

谁说了什么，而且会被记住吗？评估跨会议的持续说话人归属

Hugging Face Daily Papers

本文提出了 SI-cpWER——一种面向跨会议持续说话人归属的语料级评测指标，并在 NOTSOFAR 和 CHiME-6 上对 5 个商用说话人分离+语音识别 API、2 个开源基线（以及作者自己的 ThyVoice 系统）进行了评估，结果表明，单场会议内的排名并不能反映跨会议的身份一致性。短版本已被 IEEE SLT 2026 Demo Track 接收。

商业ASR系统在代码切换语音上的基准测试：阿拉伯语、波斯语和德语

arXiv cs.CL

本文提出了一个基准测试，评估了五个商业ASR系统在阿拉伯语-英语、波斯语-英语和德语-英语代码切换语音上的性能，使用两阶段管道为每个语言对选择300个样本，并通过WER和BERTScore评估性能。ElevenLabs Scribe v2在整体上取得了最低的WER（13.2%）和最高的BERTScore（0.936），并提供公开数据集。