说话人分离标注

本文把周期、归一化、符号与全局相位、基旋转和半正定约束等不变性对应到圆、环面、球面、投影空间、Stiefel 与 Grassmann 流形和协方差锥，再选相容分布与估计方法，用脑相位相干与车内说话人分离说明表示与模型复杂度如何共同决定无监督状态发现。

共分析 28 篇语音/AI 论文

本文用 DiariZen 的自监督表示做说话人条件解码和先验约束重排，在八个领域上把说话人混淆相对降低约 15%，宏平均 DER 降到 11.90%，代价是实时率增加约 15%。

共分析 48 篇语音/AI 论文

该研究在 7 个未见过的在线西班牙语课堂会话上比较 6 种转写配置，发现用 38 个课堂会话做 LoRA 适配能把 MOSS 的词错误率相对降低约 38% 并接近商用 Muse，但学习者、英语独白和语码混合语音仍然明显更难，且转写最好不等于说话人归属最好。

论文针对孟加拉语缺少长音频和说话人标注的问题，用频道筛选加字幕过滤加自动说话人切分做出 885 小时弱监督语料，并以四系统零样本与微调对比证明情感化方言内容最难而微调能明显降低词错误率。

论文用只存低维声学特征的可穿戴徽章加离线前景说话人切分得到说话负荷与活跃度，在 16 人四个月的追踪中发现办公室说话更多，而办公室说话多与更高压力和更低自评效率相关，代价是低维特征的切分误差与小样本相关性结论的外推限制。

共分析 25 篇语音/AI 论文

S2SND-v2 用说话人适配的 w2v-BERT 2.0 做前端并改进查询构造与训练，在八个测试集上剪枝系统在线平均错误率 14.52%、离线 12.03%，代价是前端仍需大规模预训练与多阶段日志训练。

共分析 80 篇语音/AI 论文

Qwen-Audio-3.1-ASR 针对说什么、谁何时说、音频还传达什么三个问题，用音频编码器加指令控制解码统一转写、说话人日志转写与音频理解，并用加权说话人损失、帧对齐时间戳、强化学习与多教师蒸馏改进结构化输出，在多语、方言、说话人日志与音频理解评测上给出条件明确的对比结果。

针对流式端到端 diarizer 只有 N 个并发槽位、超过 N 人就会把不同人复用到同一槽位的问题，论文用只读槽位后验和音频的因果链接器做重标号，在 1418 个会话上把超限时的 DER 从 36.81% 降到 22.64%，且不改变漏检和误检。

共分析 34 篇语音/AI 论文

针对长对话中重叠导致局部声纹不可靠的问题，论文在预训练 WavLM-MHFA 中插入说话人活动条件变换以直接从完整窗口提取目标声纹，并在有限真实会议数据上微调使估计分割下宏平均说话人混淆误差相对降低。

共分析 57 篇语音/AI 论文

论文在全部 22 种印度 scheduled 语言的 1164 段录音上零样本比较九个说话人日志系统，用印度电话银标签适配分割网络得到时长加权 16.78% 的错误率，并证明话语内停顿是否切分这一标注口径能带来 1.9 到 4.1 个百分点的系统性差异。

共分析 69 篇语音/AI 论文

论文要解决多人同框时把声音归属到正确人脸的在线判断问题，用当前帧跨人脸比较加单人历史因果建模实现零前视，在 MSDWild 多人验证集上把竞争性误报相对降低约三分之一，代价是每个块增加 1.57M 参数和跨人脸注意的平方计算量。

论文针对智能眼镜四通道双人日常对话的重叠与远场转写问题，比较直接微调 SoulX-Transcriber 与 GSS 和多通道 DPRNN 前端辅助两路解码的差异，验证集上前端在高重叠时更优但最终以更稳定的直接微调系统提交并在测试集取得 tcpCER 6.22，代价是前端失真与零填充带来的幻觉和分段解码处理。

该文研究门诊多房间录音中无访客注册时的访客跨房链接，用逐设备中心化加并发与房间类型约束和员工语音校准阈值做聚类，在 VOiCES 仿真日上对 11 种嵌入全面超越无标签基线，但高度依赖跨房重复语音去除且单访患者仍易误合并。