标签
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。
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。
本文挑战了EER是语音生成中人类语音相似性可靠代理的假设，证明感知对齐更依赖于训练目标而非模型性能。它提出了基于有效维度的嵌入几何作为评估语音相似性的原则性指标。
本文提出了一种简单的语言归一化方法，使用干扰属性投影（NAP）进行跨语言说话人验证，在TidyVoice2026挑战中实现了显著的错误率降低。
本文研究使用音频、韵律和语言线索的多模态说话人验证如何显著降低说话人匿名化效果，仅用五个语音片段即可将等错误率降低超过15%。
本文提出了一种新颖的说话人确认框架，该框架结合了冻结的自监督特征、ECAPA-TDNN和专家混合模块，通过条件蒸馏和对比损失来改进语音和非语言发声中的身份确认，同时防止灾难性遗忘。
本文提出了一种利用干预对比学习的后训练优化方法，将语音基础模型的表示解耦为独立的内容和说话人子空间。该方法在域外说话人验证任务上表现出更优性能，并提供了成功分离的证据。