说话人识别

论文研究如何只用匿名说话人聚类和带噪声的预期出席名单为重复参会者找出干净注册语音，提出合成基准和跨会话链打分参考方法，核心证据是合成集上成功与污染的权衡以及合成阈值直接搬到真实会议时出现的明显落差。

共分析 28 篇语音/AI 论文

GDBack 用同一组二阶全通滤波对投毒语音做相位变换，在两数据集三模型上以 5% 投毒取得 94% 以上攻击成功率，同时保持正常识别与语音质量，其激活依赖中心频率等滤波参数且在强混响与部分防御下仍有局限。

共分析 48 篇语音/AI 论文

V33DA 把已检测到的每声鸣叫归给当时可见的某只斑胸草雀，用随身振动信号定真值并扣留该通道，再以三套划分检验熟悉个体识别与可迁移空间归属，代价是单装置、单发声事件与有限无线电特征。

共分析 47 篇语音/AI 论文

论文把声纹当作对身份的含噪观察，提出免训练的 EvoSpeakerMem 逐轮路由与门控更新用户实体，并在合成的 LoCoMo-ID 上验证其在干净与录音条件变化下提升身份受限问答，但也暴露碎片化与跨用户污染的权衡。

论文用同一套声学分组比较鲸 coda 与三组音乐，发现序列可预测相近但重复更高、单元内组成有效而原位排序无额外增益、再往前一个单元仍提供预测信息，并据此提出包含波形、组成、序列、 timing 与情感相关变异的声学蓝图，合成检验显示 WhAM 可听辨但声学分布仍可区分。

本文以说话人身份为可测代理，用频带滤波、幅度相位重建、WORLD 源滤波器交换、自监督层与离散 token 探测加 45 人听感对比，定位出 1-8 kHz 幅度包络是感知主载体，而高频与浅层表征仍有可被机器利用的残留。

共分析 58 篇语音/AI 论文

本文用 3594 个图文声冲突样本测出六个音频大模型平均以 0.78 的比例跟从文字，并在最偏向文字的模型上证明声音信息完好保留在语言模型输入端，而阻断中间 token 转述文字主张才能在自由生成中恢复听觉判断。

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。