说话人识别

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

论文追问句级语音语义向量是否还残留可用的说话人信息，用与各自对齐几何一致的音频减文本残差做无监督聚类检验，并用冻结编码器的说话人分割层权重与帧级注意力分布定位信息位置，最强证据是按句聚类准确率仍高达 0 点 96 以上而按说话人聚类接近随机，代价是该结论只在朗读平行语料与特定分割流程下成立。

该研究以 LibriTTS 子集与 LibriTTS-R 对照比较 X-Vector 与 ECAPA-TDNN 在加噪、混响、加静音与神经声码器重建下的嵌入空间结构，报告 ECAPA-TDNN 更稳健但强混响与音频修复仍使类间可分性与最近说话人分类明显下降，而 X-Vector 对环境伪影更敏感。

共收录 103 篇 cvpr-2026 会议论文的 Reader 深度解读

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对助听器要在多人同场中判断助听器用户想和谁交谈的问题，论文提出只用每人二值语音活动流的多人贝叶斯最小重叠间隙框架，用会话对齐分数刻画群体轮替，并在真实 2、3、4 人对话上分别报告 97.1%、90.1% 和 90.4% 的平均伙伴识别准确率，代价是需要数十秒到数百秒的积分窗口才能观察到充分轮替。

论文提出只用原始音视频判断最后说话人在跟谁说话的 Omni-MMSI 任务，并用参考引导的工具抽取加两步思维链推理的 Omni-MMSI-R 解决身份归属难题，在 Ego4D 和 YouTube 上取得报告的最优准确率，代价是需手工构建参考对和过滤生成推理标注。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

该文把说话人身份当作一阶模式，把表征聚类当作刻画网络认法 的二阶模式，用单链接聚类发现、用语义匹配解释、用基于梯度代价外推的新方法判定未见语音归属，报告显示路径完整度从百分之十一点六八升至百分之三十四点一九，原子语义召回从零点五一一九升至零点五六六九，但国籍召回仍明显偏低。