说话人识别

论文用冻结编码器加逻辑回归比较 15 种语音、说话人验证、动物声学与通用音频表示在四个物种个体识别和三个物种叫声类型分类上的迁移效果，发现最强语音表示在七组设置中三组显著更好、四组无显著差异，而语言覆盖与动物域预训练均无系统优势，且可迁移信息高度依赖网络层与前端类型。

该文针对冻结语音基础模型加层融合与线性头的适配方式，先在任务未知时稳定全部隐藏层表示再只用干净样本扩大分类边距，在三基座四任务十二组合上平均把鲁棒准确率提高 50.4 个百分点，代价是干净准确率下降 3.2 个百分点。

针对目标说话人标注中注册库不能直接当归一化 cohort 的问题，论文提出只看分数分布形状的双项校准，在合成与会议语料上都提升了标注准确率，且不依赖外部数据。

针对多方多会话语音长记忆问题，论文用增量声纹识别加交互记忆、事实记忆与人物画像三层结构保存说话人与收话人关系，并用按轮奖励新增证据的检索智能体自适应取证，在 VoxPolyBench 上报告 85.0 分，代价是依赖合成语音与标注证据训练且真实声学泛化待验证。

共收录 1354 篇 interspeech-2026 会议论文的 Reader 深度解读

论文把单通道混合语音分离与按源雷达位移的身份配对做成同一任务，用门控融合的 DPRNN 先分离再用跨模态匹配器定序，在两路和三路混合上同时报告 PIT 与有序指标，而有序增益高度依赖第二阶段匹配器且雷达单独不可懂。

该工作用 47.88M 参数的双向 Mamba2 编码器在约 250 小时 67 语言无标注语音上做掩码离散单元预测，在官方评测以说话人聚类 ARI 0.735 超过四个基线，但语言识别 macro-F1 0.073 与字符错误率 0.870 仍明显落后，且后期检查点出现音素泛化退化。

该研究用 2×3 被试间对话熟悉化实验检验自然度与注意指向对声音再认的影响，发现对话熟悉化提高旧说话人命中率与信心但同时增加对新说话人的误认，信号检测显示为反应偏向变宽松而非辨别力提高，注意指向无显著主效应。

该研究用训练量相同、仅说话人重叠不同的对照划分检验语音抑郁检测，显示重叠时微调模型可达 97.65% 而严格独立时跌至 58.74%，且域对抗去身份信息后差距仍在，代价是现有高分很大程度上依赖说话人记忆而非可泛化的病理特征。

该研究把模仿质量判断转化为 20 类名人识别的 Top-1 命中问题，用注意力增强的 ECAPA 嵌入融合韵律与频谱打分，在 MIMICz 上达到 75% Top-1 命中，代价是依赖小规模棚录数据与主观 MOS 定义的最优。

该研究用腭长缩放加咽腔测量锚定的前后向单自由度弯曲来对齐跨说话人 EMA，把 DDK 舌轨迹离散度从 31.28 mm 降到 26.13 mm，但留一说话人岭回归的 F1/F2 预测并未提升，说明几何可比性不等于说话人无关的发音到声学映射。

针对声学传送编码器的语音与声学分区，该工作用冻结编码器加轻量探针分别回归房间参数与分类说话人，以分区间的性能差距度量解耦，发现说话人基本被锁在语音分区而房间信息仍泄漏进语音分区，且声学嵌入的盲估 T60 与全监督基线差距仅 0.02 s 量级。

针对目标说话人标注中短片段分数方差大而同标签平均又怕误聚的问题，该文提出对每个分离标签内分数拟合两分量高斯混合并以最大后验分量均值校准，在 TST-Bench 与 ICSI 上严格工作点下提升明显，而代价是每标签至少需要 5 个片段且需估计混合参数。

该研究用在线辨别与改良识别任务问了男男与女女配对是否一样难、辨别与识别共享多少方差、语音技能是否预测表现，最强证据是跨性别配对显著优于两种同性别配对且语音工作记忆只预测识别，代价是在线小样本与同性别试次为主的相关分析限制推广。

该研究用 47.88M 参数的双向 Mamba2 编码器在 250 小时 67 语种无标注语音上做掩码离散单元预测，主检查点以 ARI 0.735 超过四个基线，但语种识别与识别错误率仍明显落后，代价是后期训练出现音素泛化退化与本地诊断失效。

论文在统一骨干与训练配方下比较 4 种隐宽度与 4 种帧率共 16 个连续编码器，报告重建在 1024 维 25 赫兹处最好而下游识别与问答在 12.5 赫兹中等宽度处最好，且冻结模型的半数主成分干预显示重建容忍与识别失效可以分离，但窄瓶颈训练不等价于事后降维。

该文以 73 人静息与 32 人发元音的正中矢状面磁共振数据，用几何形态测量比较男女声道形状参差，发现男性在混合元音构音上参差显著更大并提出其可能使声音签名更可分，但静息与单因素元音差异多不显著且未直接测识别率。

针对零样本语音合成中退出说话人仍可被画廊检索重新识别的问题，GUARD 在冻结主干上用门控加逐层激活 steering 并以生成后奖励把遗忘相似度推向人群冒名者水平，在 CosyVoice2 上把遗忘相似度从 0.541 降到 0.103、150 人画廊重识别从 73.5% 降到 0.5%，代价是保留集与可懂度基本不变但新增门控与奖励调参依赖。

该文用单链接层次聚类分析说话人向量是否形成层次结构，再以总体匹配与一一匹配加诊断性分数解释性别国籍与身份语义，最强证据是身份与性别接近完全对齐而部分国籍组合匹配明显偏低且可归因到精度不足。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读