系统平均分好看不等于每位说话人都好：编解码失配与检材时长如何共同拖累取证说话人识别

英文题目：Codec-induced Mismatch, Speech Duration, and Speaker-dependent Effect in a DNN-based Forensic Speaker Recognition System

会议身份：conference:interspeech:2026:conference-paper-id:deng26b_interspeech

来源为官方会议 PDF；图片依据原页像素，表格数字依据原文引用。PDF 文字层不视为原始 TeX，未可靠恢复的结构不作推断。

会议来源：官方记录 · 官方 PDF

标签：#评测协议 #公平性 #鲁棒性 #语音 #说话人验证

评分：5.5/10 | 创新 1.0/2 | 技术严谨 1.2/1.5 | 实验充分 0.8/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.3/0.5 | 工程/实践 0.6/1.5

排名：前50% | 文档类型：应用研究

👥 作者与机构

• Guangmou Deng：机构信息未能从会议 PDF 纯文本可靠映射
• Bruce Xiao Wang：机构信息未能从会议 PDF 纯文本可靠映射
• Vincent Hughes：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

法医语音比较（Forensic Voice Comparison，FVC）需比较未知 questioned sample（QS）与已知 known sample（KS）并输出似然比（Likelihood Ratio，LR），难点在于信道编解码失真与QS时长不足叠加且个体差异显著。方法链分四步：先以香港粤语高清录音为基准并仅对QS施加三种代表性有损编解码退化；再经对数梅尔滤波器组（Log-Mel Filterbank，Fbank）提取与残差网络（ResNet34-MHA）抽取说话人嵌入（Speaker Embedding）；接着经线性判别分析（Linear Discriminant Analysis，LDA）降维与概率线性判别分析（Probabilistic Linear Discriminant Analysis，PLDA）计分；最后经双高斯校准（Bi-Gaussianized Calibration）映射为可解释LR。与既往孤立考察单一编解码或时长的工作不同，本研究并行比较多代编解码并引入按说话人似然比代价（By-speaker Cllr，Cspkllr）追踪个体稳定性。在香港粤语跨会话测试条件下，最差失配5s QS系统的Cllr指标为0.3以下，低于信息性似然比门限条件的Cllr指标1。结论仅适用于青年男性粤语、实验室近讲与单次编解码退化，真实多跳级联与多样人群尚未验证。原文未披露训练、推理或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

取证任务到底要回答什么问题？

这篇论文研究的输入是两段语音，一段是来源未知的检材，记为检材语音，另一段是嫌疑人的已知样本，记为已知语音。目标不是输出像或者不像的分数，而是输出似然比，也就是在同一说话人假设下观察到这对语音的概率，除以在不同说话人假设下观察到这对语音的概率。这个比值同时包含相似性与典型性，相似性指两段语音有多像，典型性指这种像在相关人群中有多罕见。初学者容易把说话人确认的相似度分数直接当成法庭证据，论文明确采用线性判别分析加概率线性判别分析后端，正是为了得到包含典型性的共同来源似然比，再经过校准使其满足校准定义。

法庭语音比较 × 似然比： 法庭语音比较的分工是给出检材与已知样本是否来自同一人的证据强度，而不是直接判同或不同；似然比的分工是用同一说话人假设下观察到这对语音的概率除以不同说话人假设下的概率来量化该强度。二者搭配的原因是法庭需要可解释、可校准的数值证据，组合意义是系统输出必须同时考虑相似性与典型性，后文校准就是为了让输出的似然比满足其自身定义。

论文强调的现实困难是技术失配与语音量不足同时出现。检材通常经过电话或网络传输并被有损压缩，已知样本则多为高质量近距离录音。压缩会优先保留感知显著成分而丢弃可能对区分说话人有用的细粒度谱与时序细节。另一方面检材的可用净语音往往更短。研究者要做的不是证明深度模型在干净长语音上很强，而是检验在检材被压缩且时长受限时，系统级平均指标是否掩盖了个别说话人的失败。

已有编解码与时长研究留下了哪三个缺口？

论文把已有工作归纳为 3 类局限。第一类是编解码覆盖不系统，多数研究只做单一编解码或只做匹配条件，缺少面向取证的并行比较。取证场景信道多样，既有固定电话的波形编码，也有移动通信的参数编码，还有网络语音的感知编码，单点结论难以迁移。第二类是把编解码与净语音时长孤立研究，编解码失配与需要多少秒才可靠之间的交互不清楚。第 3 类是只报告系统级总体性能，缺少个体级分析。近期取证研究已经发现总体上先进的系统仍可能对某些说话人很差，因此需要检验编解码条件对特定说话人的影响。

论文把自己的位置放在同时处理 3 个缺口上。它选择 3 种代表性有损语音编解码，固定电话的 G.711 A 律、移动通信的自适应多速率窄带高低两种码率、网络语音消息的 Opus，并让检材时长从短到长系统变化。它不只看平均代价是否下降，还看每位说话人的代价轨迹是否稳定，以及平均表现差的说话人是否对编解码更敏感。这种设计使后文的系统级曲线与个体级轨迹可以直接对照。

为什么必须把失配类型和语音量放在同一实验里？

如果只改变编解码而不控制时长，就无法判断性能下降来自压缩还是来自语音太短。如果只改变时长而不引入失配，就无法回答不同失配下可靠所需的时长是否相同。论文把已知条件固定为高质量，把检材条件分别设为高质量、G.711 A 律、自适应多速率窄带两种码率与 Opus，再在每个条件下把同一检材按保留前 5 秒的整数倍截出从 5 秒到 90 秒的版本。这样每个说话人在每个时长点都有可比的 5 个条件，比较才是公平的。

编解码失配 × 净语音时长： 编解码失配的分工是描述检材经过有损压缩后频谱包络与细粒度时频细节被不可逆改变；净语音时长的分工是描述剔除静音后真正可用于建模的语音累积量。二者搭配的原因是实际案件中检材往往同时又短又经过信道压缩，组合意义是不能孤立回答需要多少秒才够，而要回答在某种失配下需要多少秒才稳定。

论文还区分了两种信道损伤。一种是麦克风与带宽限制改变频谱包络，例如电话传输录音的共振峰测量会系统偏移。另一种是有损压缩引入的不可逆失真。原文讨论部分提醒，真实案件还可能有多级编码，例如固定电话传输后再经手机录制，本研究只做单级典型有损编码，这是明确的边界。理解这一点才能正确复述结论，低码率参数编码损伤最大不等于所有多级链路都如此。

从一段检材到一个似然比要走哪几步？

沿着一个样本走完全流程有助于建立学习依赖。输入是一段检材波形与一段已知波形。前端先重采样到 8 千赫兹 16 比特，再做预加重、对数美尔滤波器组特征提取与倒谱均值方差归一化，得到时频特征矩阵。深度网络把帧级特征经残差主干建模，再经多头注意力统计池化聚合成固定维说话人嵌入。后端把检材与已知嵌入经线性判别分析降维后送入概率线性判别分析，计算共同来源似然比并取对数当作分数，最后经双高斯化逻辑回归校准得到可解释的似然比。

多头注意力统计池化 × 对数美尔滤波器组： 对数美尔滤波器组特征的分工是把波形按 25 毫秒窗、10 毫秒移位经频谱与美尔滤波给出时频能量表示；多头注意力统计池化的分工是对帧级特征按时间估计注意力权重并计算加权均值与标准差以聚合成句级表示。二者搭配的原因是语音长度可变而后端需要定长输入，组合意义是前端先保留时变细节再按重要性加权汇总，避免等权平均淹没判别帧。

论文的前端细节是可复述的关键。重采样与转换在先，预加重系数为 0.97，分析窗为 25 毫秒汉明窗、10 毫秒帧移、512 点傅里叶变换，频谱在 20 到 3900 赫兹范围内经 64 个美尔滤波器采样并取对数，得到 64 行乘以帧数的特征矩阵，再做倒谱均值方差归一化作为前端失配补偿。网络输入是 200 帧乘以 64 维的滤波器组序列。嵌入维度为 512 维，线性判别分析把维度降到 50 维以保留判别信息并便于后续建模。这些步骤的顺序不能颠倒，因为池化需要先有帧级表示，降维需要在概率建模之前完成。

嵌入模型与后端计分各自解决什么？

残差网络加多头注意力池化的分工是表示学习。主干有 4 个残差层，基本块数量为 3、4、6、3，输出通道为 32、64、128、256。最后一层后把频率与通道维展平得到帧级向量序列，8 头注意力池化估计每帧权重并计算加权均值与标准差，各头统计拼接后再经线性层投影为 512 维嵌入。训练在 VoxCeleb1 加 2 共 7205 名说话人上进行，采用加性角度间隔 Softmax 损失，间隔 0.2、尺度 30，用 Adam 优化，先 warmup 学习率到 0.001 再余弦退火共 105 个周期，最后 10 个周期参数平均以提高评估稳定性。增强包括 MUSAN 加性噪声、房间脉冲响应混响与时频掩码。

说话人嵌入 × 概率线性判别分析： 说话人嵌入的分工是把变长语音压成固定维向量并保留说话人判别信息；概率线性判别分析的分工是在嵌入空间中建模同一说话人与不同说话人两类分布并输出共同来源似然比。二者搭配的原因是嵌入只给表示不给法庭解释，而后端需要同时利用相似性与典型性，组合意义是前端负责抗变异的表示，后端负责可校准的计分。

后端的分工是法庭解释。线性判别分析用训练集的 272 个嵌入训练并降到 50 维，概率线性判别分析给出公式 1 定义的共同来源似然比，即观察到 1 对变换后向量在同一说话人假设与不同说话人假设下的概率之比。分数再经双高斯化校准的逻辑回归变体映射为良好校准的双高斯分布，目标是满足公式 2，即输出似然比的似然比等于输出似然比本身。初学者应记住，余弦相似度只给相似性，而这里选择概率线性判别分析正是因为它同时纳入典型性。

系统级 Cllr × 个体级 Cspkllr： 系统级 Cllr 的分工是对全部同一说话人与不同说话人试验的似然比统一惩罚与事实相反的输出；个体级 Cspkllr 的分工是只用某 1 位说话人的同一说话人试验与其和他人的不同说话人试验计算同一惩罚。二者搭配的原因是平均指标会掩盖少数人的持续失败，组合意义是必须同时看整体是否提供信息与每个个体是否被公平对待。

评估指标也分为两层。系统级用对数似然比代价，小于 1 表示提供信息，越接近 0 越好。个体级用按说话人计算的 Cspkllr，只用该说话人的同一说话人似然比与其和他人的不同说话人似然比，越高表示对该说话人越差。原文明确提醒个体指标基于有限似然比估计，抽样变异更大，因此应关注系统性模式而非对单个差值做因果诊断。

三种编解码的损伤机制有何不同？

理解损伤机制才能解释为何影响大小不同。G.711 A 律是固定电话常用的波形编码，对波形做对数压缩后再做 8 比特脉冲编码调制量化，采样率为 8 千赫兹，码率为 64 千比特每秒。它保留波形形状但量化粗糙，属于较轻的有损压缩。自适应多速率窄带是移动通信的参数编码，不直接保存波形而保存随时间变化的模型参数，例如线性预测系数，采样率同样为 8 千赫兹，本研究取 12.2 千比特每秒高码率与 6.7 千比特每秒低码率两种设置。

低码率意味着模型参数更粗糙，对说话人细节的损失更大。Opus 是现代网络语音编码，按心理声学模型在低时延下高效利用码率，本研究按社交应用语音消息的高质量设置，采样率 16 千赫兹、目标码率 128 千比特每秒。

下面的比较表把本研究实际可运行的 5 个检材条件并列，阅读时先确认采样率与码率是否一致，再看编码原理差异，最后对照后文系统级排序是否与压缩强度一致。该表是理解失配严重程度的依据，不是结果表，性能数字在后文曲线与个体轨迹中给出。

上表把失配强度从弱到强排列后，主要收益是可以在结果中检验单调性，低码率参数编码是否最差，高质量感知编码是否接近无压缩。具体代价是采样率本身也不同，Opus 的 16 千赫兹与另两种的 8 千赫兹带宽不同，因此不能把 Opus 接近高质量简单归因于码率高，还包含带宽与编码代际差异。未胜出的反例是 G.711 虽然码率低于 Opus 但损伤很小，说明码率数值不能跨编码家族直接比较。

哪些参数被训练，哪些环节没有再训练？

本研究的训练分为两个阶段，需要分别说明冻结与更新。第 1 阶段是嵌入网络训练，在 VoxCeleb 大数据上更新 ResNet34 加注意力池化全部参数，批量为 256 条增强滤波器组序列，优化器为 Adam，损失为加性角度间隔损失。该阶段结束后网络参数固定，不再随香港粤语数据微调，原文未报告在目标人群上的再训练或领域自适应，这是复现时必须保留的缺项，不能从模型名称推定它已适应粤语或电话信道。

第二阶段是后端训练，用 68 名香港粤语说话人的 272 个嵌入训练线性判别分析与概率线性判别分析，降维到 50 维。剩余 34 名说话人用于留一或留二交叉验证生成校准与测试试验，第一会话录音作已知，第二会话录音作检材以保证跨会话变化，编解码退化只加在检材上再与已知配对。

监督来源也要分清。嵌入训练的监督是说话人身份分类的角间隔损失，目标是类间可分。后端训练的监督是同一与不同说话人向量对的生成式假设，目标是得到似然比分数。校准阶段用试验分数学习从分数到校准似然比的非线性映射，目标是满足良好校准性质。梯度路径只存在于第 1 个阶段，原文未给出梯度是否截断或分层冻结的细节，后端按概率模型估计而非反向传播更新嵌入。复现时若改动任 1 个阶段，都应重新校准并分别报告系统级与个体级变化，否则无法定位改进来源。

数据划分、时长截取与试验量如何控制？

数据来自 102 名青年男性香港粤语说话人，平均年龄 23 岁，范围 18 到 33 岁。每人贡献 4 段录音，两个会话各 2 段，间隔至少三周，任务包括模拟警局访谈、话题卡自由讲述、共犯式对话与再次自由讲述。所有录音在隔音实验室用近讲麦克风采集并存储为高质量波形，再手工切除非目标人与非语音，使录音时长等于后文使用的净语音时长。这些高质量样本是后续编解码退化的起点。

协议的关键是时长与配对控制。线性判别分析与概率线性判别分析训练集与测试集的已知样本均不截断且都超过 90 秒，反映已知样本通常不受限。检材从 5 秒到 90 秒每 5 秒一档，保留每段检材的前 5N 秒。剔除 3 段不足 90 秒的检材后，测试集包含 130 个同一说话人试验与 4292 个不同说话人试验。下面的协议表把划分、时长与试验量放在同一视图，阅读时先核对人群定义是否狭窄同质，再核对已知与检材是否跨会话，最后核对试验数是否足以支撑系统级结论但对个体级仍显稀疏。

上表的主要收益是可重复性，划分、截取规则与试验量都可直接照做。具体代价是人群非常同质且测试说话人仅 34 名，个体指标抽样变异大，回归自由度为 32。未评测的边界包括女性、其他年龄与语言、多级编码链路，以及已知样本也受损或也很短的情形，这些都不能从当前数字外推。

系统平均性能随码率与时长如何变化？

系统级要回答的问题是，在已知固定为高质量时，不同检材编码与不同时长下的对数似然比代价如何排序。比较的公平条件是同一嵌入、同一后端、同一校准与测试划分，只改变检材编码与时长。指标方向是 Cllr 越低越好，小于 1 表示提供信息。原文报告的排序是低码率自适应多速率窄带始终最高即损伤最大，其次是高码率同一编码，G.711 A 律相对高质量匹配仅轻微升高，Opus 与高质量匹配几乎等价。时长方向是各条件下 Cllr 随检材变长而下降，30 秒后波动减小并趋于平台，更长时长仅带来边际改善。即使在 5 秒与最不利失配下系统级仍小于 0.3，总体看是 promising 的。

以下导读针对系统级曲线，重点是同时看到失配排序与时长饱和两个维度，不要只记住最低点。

看图路径： 1. 先看横轴检材时长从短到长、纵轴 Cllr 越低越好的方向；2. 再比较红色低码率 AMR-NB 曲线与其他四条曲线的高低与收敛位置；3. 最后观察 30s 之后各曲线是否变平以判断延长的边际收益

论文图 1。原论文 Figure 1：“System-level Cllr across QS durations under different questioned-codec conditions.”。

该图显示横轴为检材时长、纵轴为 Cllr 的 5 条曲线。红色低码率曲线在短时段明显高于其他曲线，随时长快速下降但在长时段仍保持最高。绿色高码率曲线居中，橙色 G.711 与紫色 Opus 及蓝色高质量曲线在大部分时长上贴近，Opus 几乎与匹配条件重合。30 秒之后各曲线斜率变平，说明在当前后端与校准下继续延长的收益有限。教学要点是，系统级饱和不等于个体级稳定，后文个体轨迹显示少数人在 50 秒后仍波动超过 0.1，因此不能把 30 秒推广为对每位说话人都够用的阈值。

为什么平均好看仍有说话人持续失败？

个体级要回答的问题是，平均曲线是否掩盖了特定说话人的误导性似然比。比较条件与系统级相同，但指标换为每位说话人的 Cspkllr，越高越差，超过 1 意味着倾向于给出与事实相反的似然比。原文点名的例子包括 80 号与 93 号在低码率条件下短时段超过 1，85 号与 91 号在长时段波动大于 0.1，超过 60 秒后 91 号在所有检材条件下仍高于 0.3 而 85 号仅在低码率条件下高于 0.3，其余 32 名低于 0.2。这些点名不是诊断病因，而是展示系统性模式，即少数人持续偏高或不稳定。

以下导读针对个体轨迹，重点是从一堆贴近零线的轨迹中识别高位与不稳定轨迹，并注意颜色代表不同编码条件。

看图路径： 1. 先看纵轴个体 Cspkllr 与横轴时长，多数轨迹集中在底部附近；2. 再找出被标注的 80 号与 93 号等高位轨迹在短时的位置；3. 最后观察长时段是否仍有轨迹停留在 0.3 以上且随条件变色

论文图 3。原论文 Figure 3：“Individual-level Cspk”。

该图显示纵轴为个体 Cspkllr、横轴为时长的多条轨迹。大多数轨迹随变长迅速落到 0.1 以下并保持平稳，少数被标注轨迹在左侧短时段高企，例如 80 号与 93 号在低码率下显著上翘。向右延长后多数高位轨迹回落，但仍有轨迹停留在 0.3 以上或出现上下波动，说明延长语音对多数人有效但对少数人不充分。结合原文回归结果，在 90 秒固定时长下每位说话人的跨条件均值越高，其跨条件标准差越大，模型解释了 43% 的方差，斜率为 0.23，检验显著，支持整体越差者对编解码更敏感的判断。该结论的限制是个体估计基于有限试验，相关性不是因果，不能据此认定某类嗓音必然更脆弱。

分布图如何证明 30 秒后延长只有边际收益？

这一节按消融与反证的思路组织，检验去掉长语音会发生什么。测的是 Tippett 图中同一与不同说话人累积分布的分离程度，对比对象是同一编码条件下的 5 秒、30 秒与 90 秒。条件一致性在于已知固定、编码固定，只变时长。指标方向是两组曲线离零线越远且彼此分离越大，支持正确方向似然比的能力越强。原文报告 30 秒的分布已接近 90 秒，仅在低码率下残留轻微差异，说明系统级在 30 秒附近饱和。反例是 5 秒点线明显更靠近零线，意味着短时证据更弱，更容易出现与事实相反的输出。

以下导读针对 4 个子图的 Tippett 图，重点是先分清编码条件再比较时长线型，不要把不同子图的曲线混为一谈。

看图路径： 1. 先确认每个子图标题对应的检材编码条件与横轴对数似然比；2. 再区分蓝色不同说话人与红色同一说话人两组累积曲线；3. 最后比较 5s 点线与 30s 虚线、90s 实线在零线附近的分离程度

论文图 2。原论文 Figure 2：“Tippett plots for (a) HQ-HQ matched condition, (b) Opus-HQ, (c) AMR-NB (12.2 kb/s)-HQ and (d) AMR-NB (6.70 kb/s)-HQ mismatched condition, shown for questioned-speech durations of…”。

该图包含 4 个子图，分别为高质量匹配、Opus 失配、高码率与低码率失配，每个子图内蓝色为不同说话人、红色为同一说话人，点线、虚线与实线分别对应 5 秒、30 秒与 90 秒。可见在各子图中 30 秒虚线与 90 秒实线基本重合，5 秒点线则向零线收缩，低码率子图的残留差异稍大。支持的判断是延长到 30 秒能恢复大部分分布分离，继续延长为边际改善。限制是分布图是总体视角，不能替代个体轨迹，个体节已显示少数人在长时仍不稳定，因此饱和结论只适用于系统级。

哪些结论不能从这组数字外推？

首先是人群与样本量的边界。训练与测试均为青年男性香港粤语说话人，测试仅 34 名，272 个嵌入训练的后端在非取证尺度上偏小。原文称其对狭窄同质相关人群具有代表性，且研究聚焦条件间效应而非绝对性能估计。复述时必须保留该限定，不能把 Cllr 数值当成跨人群的通用保证。其次是个体估计的稀疏性。

每位说话人的同一说话人试验很少，个体指标变异大，原文只主张系统性模式，即越差者越敏感，而不诊断某位说话人差的原因。把 80 号或 91 号的表现归因于音质或口音属于无源推测。

其次是信道与协议的边界。本研究只做单级典型有损编码，未覆盖多级编码链路、麦克风与带宽联合改变、已知样本也受损或也很短的情形。前端已做倒谱均值方差归一化与降维等失配缓解，但未报告若去掉这些步骤会差多少，因此不能补写拿掉后必然怎样。Opus 的高质量设置带宽与码率都更高，不能跨家族用码率数字直接比较优劣。最后是资源与成本缺项。原文未报告训练时长、硬件预算、推理延迟与输出帧率，总体趋势不等于每组每步都成立，未测量误判率与延迟时不应承诺这些量得到改善。

要复现这套系统先做什么、再验证什么？

先按原文重建数据管线。用实验室高质量录音手工保留目标人语音，使时长等于净时长。划分 68 名训练后端、34 名测试并做留一或留二交叉验证，第一会话作已知、第二会话作检材以保留跨会话变化。编解码退化只加在检材上，G.711 与自适应多速率窄带用 FFmpeg 仿真，Opus 用 libopus 按 16 千赫兹 128 千比特每秒仿真。检材按保留前 5N 秒截出 5 秒到 90 秒每 5 秒一档，训练与已知不截断且保证超过 90 秒，剔除不足 90 秒的检材并记录试验数是否为 130 个同一与 4292 个不同。

再重建模型与评估。前端按 8 千赫兹 16 比特、预加重 0.97、25 毫秒窗 10 毫秒移位 512 点变换、20 到 3900 赫兹 64 滤波器组与均值方差归一化提取特征。嵌入用在 VoxCeleb1 加 2 上训练的 ResNet34 加 8 头注意力池化，投影到 512 维后固定。后端用 272 个嵌入训练线性判别分析降到 50 维并估计概率线性判别分析，再经双高斯化逻辑回归校准。评估同时计算系统级 Cllr 随时长的曲线与个体级 Cspkllr 轨迹，并在 90 秒处做跨条件均值对标准差的回归，核对是否复现斜率正向与约四成解释方差。资源状态方面，本次未发现来源绑定且完成验证的资源，不得声称代码模型或数据已公开，复现应按上述工具与参数自行实现并记录版本。

何时值得尝试这套做法，还需补哪项验证？

当案件条件符合本研究的信息条件时值得参考，即已知为高质量长语音、检材为单级压缩且时长可在 5 秒到 90 秒之间调节、人群为青年男性粤语且后端可用同质数据训练。此时可预期系统级在 30 秒后趋稳，优先避免低码率参数编码链路，高质量感知编码的额外损伤可能很小。但必须同时做个体级检查，观察是否有说话人在长时仍高于 0.3 或波动超过 0.1，不能仅凭平均 Cllr 小于 0.3 就认定对本案说话人可靠。

还需补的验证包括扩大人群多样性、增加测试说话人数以降低个体估计变异、测试多级编码与已知也受损的情形、报告训练与推理成本及延迟。若要在新场景部署，应先复现编解码排序与时长饱和两个主效应，再复现个体越差越敏感的回归模式，最后才讨论阈值选择。论文的 broader 提醒是，当前以总体判别为目标的训练范式难以保证对每位说话人一致鲁棒，理解哪些说话人更敏感有助于更有针对性地定义参考人群与适用边界。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 interspeech-2026 论文汇总