Odyssey-2026 论文

针对声学失配下说话人嵌入漂移问题，论文用条件流匹配在嵌入空间学习从高斯噪声到干净教师嵌入的映射，并用多次采样估计目标分数均值做分数归一化，在七个数据集上平均相对降低等错率约 17%，代价是推理需多步常微分方程求解且在干净匹配条件下几乎无增益。

针对未见合成方法泛化难的问题，论文把 WavLM-Large 部分高层的前馈块替换为多专家并用门控做整句选路，在 14 个评测集上把宏平均等错率从 5.46% 降到 4.81%，代价是参数增至 329M 且需全量微调。

该文把 256 维说话人嵌入重编码到 500 维，用矩阵级稀疏、向量级稀疏与正交三种自编码器在同一说话人验证协议下比较，报告中等至高稀疏可在保持可比等错率的同时带来去相关与典型性改善，而互信息结合解耦熵式的指标更能跟踪这种改善，但高稀疏的零方差维度与概念选择敏感构成主要代价。

论文研究说话人识别中速度扰动和混合拼接增强如何加大训练难度，提出用杰弗里斯损失约束非目标分布并用面向近邻的混合采样供给局部样本，在多组失配评估上报告稳健性方向，同时显示单阶段联合多种增强会使判别过难而分数融合更稳妥。

该研究用 20 条真、全合成与部分合成语音的 0.2 秒窗口定位任务检验 47 名母语听者，显示话语类型决定检出与质量评分而三种信任线索无主效应，全合成在多数投票下 0/5 正确且人群辨别力接近机遇。

针对 SRE24 音频验证中固定训练缺阿拉伯语与法语、短语音与多说话人测试变难的问题，I4U 用 Multi2dCoTNet 多嵌入约束、NPSVM 分类器、自适应归一化与 Mixed-Norm 虚拟说话人给出官方五系统方案，并用 Multi2dCoTNet 加 XLSR-CAMHFA 的两系统精简方案在更低算力下达到相近精度，但短时长与声源失配仍是主要误差 …

J-SPAW2 在保留日语真实录制框架下系统控制重放距离音量与零样本合成参考噪声，用低音量远场重放使 w2v2+AASIST 的 t-DCF 升至 0.619、用 ElevenLabs 等合成使 CM 与 ASV 同时退化，但增强后更自然并不等于更难检测。

该文针对仅混淆音色后韵律节奏仍会泄露身份的问题，用离散语音单元加时长预测与单元声码器同时改写音色与节奏，在非音色攻击下半知情评估取得相对 32% 的提升，代价是词错误率上升到 7% 量级且自然度轻微下降。

Kiwano 用纯 PyTorch 的数据管理、前端嵌入与后端打分统一研究说话人确认，在 VoxCeleb2 训练下 fwSE-ResNet-200 取得全局平均 3.16% 等错误率与 0.193 最小检测代价，代价是 79 小时训练与 706.3 千瓦时能耗及跨域仍有明显退化。

该文研究原始波形语音伪造检测，用一维 ResNet34 把首层卷积扩大到 160 采样点，在 ASVspoof2019 LA 评估集上报告等错误率 1.37% 与最小串联检测代价 0.0429，代价是首层参数与优化负担增加且困难攻击仍集中出错。

针对生成语音溯源需要的盲检测水印问题，论文选择在预训练编解码器隐空间做密钥控制的正交小旋转，最强证据是跨数据集干净条件下正确密钥可检而错误密钥回到随机猜测，主要代价是高通滤波下检测下降且仅做客观质量估计。

针对同一说话人说多种语言导致声纹捷径失效的问题，该系统用声学分类器加语音大模型加零样本音位模型做识别、用双转写加推理大模型做验证，开发集识别 95.2% 宏准确率与验证 0.90% 等错误率，评估集为 96.78% 与 3.06%，但开发到评估存在明显落差且融合参数依赖开发集估计。

该研究用同一 Conformer 骨干同时做语音检测和音素分类，最强证据是标准赛道保留集上语音 88.9% 与音素 73.6% 的 F1-macro，主要代价是音素任务依赖 100 样本平均、多数投票集成和实例归一化才能跨分布泛化。

针对单向量语音嵌入把内容与说话人混在一起的问题，该工作用共享声学编码器加分轴线性投影头做因子分区嵌入，并用带符号加权余弦实现可控检索，最强证据是跨语料库语义检索在加入说话人辅助任务后从近随机恢复到上限，而代价是纯语义蒸馏会坍缩且梯度反转与降维会破坏负权重几何。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该文用均匀 K 均值量化感知训练在 ResNet-36 与 ResNet-200 上定位 2 比特为主要退化区间，以分数漂移与阈值附近有害翻转解释退化，并用 2/3/4 比特校准级联在接近 FP32 性能下降低平均计算代价，但三模型常驻带来内存代价。

该文以 ECAPA-TDNN 嵌入为基础比较余弦与多种 PLDA 后端，提出嵌入提取器与判别式 PLDA 端到端联合微调，在 VoxCeleb1 上联合模型取得 PLDA 类最优而余弦仍保持最佳区分性，在 ASVspoof2019 上余弦的 a-DCF 最优而联合模型是 PLDA 类中最优，代价是流程更复杂且 t-DCF 未见统计显著优势。

本文用范围综述梳理对话语音中可推断的个人与群体属性，指出话轮接管、语言趋同和互动词模式是单人声学之外的新推断通道，并提醒当前推断技术多不讨论隐私防护与威胁模型。

论文把短时傅里叶、Mel、倒谱和 Gammatone 直接搬到全同态加密上，用膨胀、贫民变换等近似降低累加器位宽，在 VocalSet 和 OxVoc 上把描述符统计错误率从常规方法的 5.9% 和 6.5% 降到膨胀 4 倍时的 4.7% 和 1.9%，代价是 64 毫秒音频加密计算约 12970 秒且高频谐波丢失。

针对五类想象词跨被试解码零样本跌至机会水平的问题，论文用共享三维卷积前端加留一被试预训练再做小样本校准，最强证据是 64 通道三维卷积加仅调分类头在每类 60 样本约 25 分钟校准下达到 53.71%，代价是源域训练准确率高达 92.3% 且被试间方差大。