论文解读

整句重复又帧内粘连:MelTrim 先按声音粗筛再按梯度细剪做语音分类剪枝

针对语音分类中整句之间与句子内部同时冗余的问题,MelTrim 先用声学特征聚类做整句粗筛,再用冻结判别模型梯度范数做帧级细剪,在极小子集上取得明显精度优势,但选择本身带来一次性开销且当前只验证单一声学模态。

 · 更新于 2026-11-04 · 约 18 分钟 · 8750 字 阅读 →
会议总览

eacl-2026 论文深度解读

共收录 36 篇 eacl-2026 会议论文的 Reader 深度解读

 · 更新于 2026-11-04 · 约 75 分钟 · 37568 字 阅读 →
论文解读

多人对话先找对说话人,再把文本的情绪理解教给声音和画面

该研究用音画同步选出说话人、用文本教师蒸馏音频与视觉图网络、再用分层注意力与组合损失做融合,在 MELD 达到 67.75% 加权 F1、在 IEMOCAP 达到 72.44% 加权 F1,代价是引入更多超参数与调参负担。

 · 更新于 2026-11-04 · 约 17 分钟 · 8365 字 阅读 →
论文解读

不加噪声也能留后门:用整体起伏的频率与响度曲线触发说话人识别

针对闭集说话人识别的投毒后门问题,论文用时域上的频率调制与幅度调制构造全局平滑触发,在中毒率 0.05 等条件下报告数字与物理场景的高攻击成功率,同时保持良性准确率下降有限,但干净标签等更难设置的性能明显走弱。

 · 更新于 2026-11-04 · 约 21 分钟 · 10473 字 阅读 →
论文解读

把“谁何时说了什么”一次生成:SpeakerLM 如何统一日志与识别并兼容注册条件

针对级联式说话人日志与识别中误差传递与重叠语音难处理的问题,SpeakerLM 用音频编码器加投影器接入大语言模型的端到端多模态方案,在约 7638.95 小时数据下主指标超越最强级联基线,但小数据与仿真失配时仍明显落后。

 · 更新于 2026-11-04 · 约 18 分钟 · 8705 字 阅读 →
论文解读

AMR: Adaptive Modality Routing for Multimodal Polyglot Speaker Identification

说话人识别 | 7.8/10

 · 更新于 2026-11-04 · 约 13 分钟 · 6161 字 阅读 →
论文解读

DG^VoiC: Speaker Clustering for Fraud Investigation under Real Call-Centre Conditions

说话人识别 | 5.7/10

 · 更新于 2026-11-04 · 约 9 分钟 · 4463 字 阅读 →
论文解读

Dialogue to Detection: A Multimodal Hybrid NLP Pipeline for Insurance Fraud Detection

说话人识别 | 6/10

 · 更新于 2026-11-04 · 约 12 分钟 · 5549 字 阅读 →
论文解读

VieSpeaker: A Large-Scale Vietnamese Speaker Recognition Dataset Beyond Visual Dependency

说话人识别 | 7.5/10

 · 更新于 2026-11-04 · 约 10 分钟 · 4860 字 阅读 →
论文解读

ESPnet3: Infrastructure for Scalable Speech and Audio Research in the Foundation Model Era

语音识别 | 7.5/10

 · 更新于 2026-11-04 · 约 23 分钟 · 11361 字 阅读 →
论文解读

LISE : Listenable Interpretable Speaker Embeddings

说话人验证 | 6.8/10

 · 更新于 2026-11-04 · 约 11 分钟 · 5422 字 阅读 →
论文解读

Stabilizing Short Duration Speaker Verification through Neural Re-scoring with Hybrid Enrollment

说话人验证 | 7.9/10

 · 更新于 2026-11-04 · 约 12 分钟 · 5781 字 阅读 →
论文解读

MaskedFOP: Polyglot Speaker Identification under Missing Visual Modality via Cascaded Graph Label Propagation

说话人识别 | 9.2/10

 · 更新于 2026-11-04 · 约 12 分钟 · 5703 字 阅读 →
论文解读

Multimodal Speaker Identification in Classroom Environments

说话人识别 | 6/10

 · 更新于 2026-11-04 · 约 11 分钟 · 5508 字 阅读 →
论文解读

Who Spoke When in Multi-Conversation: Target Speaker Tagging Task and Benchmark

说话人识别 | 8.6/10

 · 更新于 2026-11-04 · 约 10 分钟 · 4749 字 阅读 →
论文解读

Missing-Token Prompted Reliability-Aware Fusion for Robust Polyglot Speaker Identification

说话人识别 | 8.6/10

 · 更新于 2026-11-04 · 约 12 分钟 · 5723 字 阅读 →
论文解读

Speaker Group Encoding in Self-supervised Speech Recognition Models

语音识别 | 6.5/10

 · 更新于 2026-11-04 · 约 12 分钟 · 5916 字 阅读 →
论文解读

G-MaP-SE: Guided Speech Enhancement via GMM-Based Prior Matching

语音增强 | 9.3/10

 · 更新于 2026-11-04 · 约 11 分钟 · 5176 字 阅读 →
论文解读

A Large-Scale Per-Speaker Analysis of Re-identification Risk in Speech Anonymization

语音匿名化 | 7.1/10

 · 更新于 2026-11-04 · 约 11 分钟 · 5018 字 阅读 →
论文解读

Do speech foundation models perceive speaker similarity as humans do?

说话人识别 | 6.3/10

 · 更新于 2026-11-04 · 约 13 分钟 · 6169 字 阅读 →