说话人验证

针对单条一秒短语音说话人确认性能崩塌问题，论文在 WavLM 与 ECAPA-TDNN 之间插入可学习的向量档案映射模块，在相同一秒训练条件下把 Vox1-O 等错误率从 10.346% 降到 8.342%，代价是对三秒长输入做多余补偿导致性能回落。

针对大规模多语言话者确认中注册与测试语音可靠性差异大的问题，该文在常规逻辑回归融合之外增加一路按熵可靠性分位数加权的逻辑回归并各取一半相加，在自建大规模集与 SdSV、CommonBench、TidyVoice 上均降低等错率与实际检测代价，但 ECAPA2 分组出现例外且注册样本为 1 时增益变小。

MECT 针对全监督说话人确认中卷积局部建模与 Transformer 全局建模难以兼顾的问题，把四种混合专家结构放进 Transformer 前馈位置，用帧级稠密 4 专家在 VoxCeleb 上取得 minDCF 0.012、0.026、0.048 的报告结果，代价是参数从 9.40M 增至 9.57M 并需因果重训才支持 100 ms 流式。

该研究用说话人去标识任务同时检验验证抵抗、软生物属性、检索重识别、嵌入结构和可懂度五个维度，显示没有系统在全部维度占优且最保护隐私的系统可懂度损失最大。

共收录 118 篇 jep-2026 会议论文的 Reader 深度解读

共收录 188 篇 speechprosody-2026 会议论文的 Reader 深度解读

该研究在 VoxCeleb2 上系统改变 ResNet 的深度、宽度和残差块分布并用机器级传感器实测训练能耗与碳排放，最强证据是 ResNet-419-D 相对 ResNet-200-D 仅把平均 EER 从 3.44% 降到 3.35% 却耗电约 4 倍达 895.67 kWh，而中等规模的 ResNet-50-D 及其向中间层集中块的变体以约 50 …

该研究用词与句子配对的同异判别任务与可解释分类器检验原型语音空间在语言层级间的稳定性，最强证据是句内准确率高于词内而跨层级泛化不对称下降，代价是均值线索在长语音中可靠性下降而对语速与变异性线索依赖上升。

论文把词入侵测试搬到说话人表示上，用 Top-K 稀疏自编码器从 ECAPA-TDNN 嵌入中抽出 500 维稀疏维度，再靠 22 人听辨找侵入者，结果显示只有噪声、口音和语言等少数维度可被人感知，而低典型性并不保证可解释，一致性余弦分数则与判对显著相关。

该研究用 383 名法英双语人的朗读句和 VOCALISE 系统比较单语与双语条件下的似然比分数，发现双语比较显著压低相似度并削弱同一说话人优势，使同人跨语言分数向异人分数靠拢。

论文以 129 万条英语 VoxTube 语音为共同源集，用嵌入变换、隐空间转换与负引导合成三族七种方法生成内容对齐的匿名语料，并以每版独立训练说话人验证模型与会话级链接实验，报告了强抑制压缩说话人空间而高效用版本残留可链接线索的权衡。

共收录 199 篇 acl-2026 会议论文的 Reader 深度解读

SRE24 音频轨围绕电话与视频伴音、变长注册与短测试、多语言与多人语音组织说话人确认试验，分析报告三段注册优于单段长注册、电话匹配优于视频伴音匹配、短测试与多人测试明显更难，而放宽训练数据的改善大于多系统融合的改善。

该文在 VoxCeleb2 上系统改变 ResNet 的深度、宽度和阶段分布并用节点级传感器实测训练与推理能耗，显示超过 ResNet-101-D/ResNet-200-D 后精度增益迅速收窄而能耗陡增，中型与中间阶段集中结构取得更优的性能与环境折中。

论文把 CosFace 证明为 Q-Margin 在 α 趋于 1 时的特例，并用大小模型与大小数据对照说明稀疏在小数据与大模型微调中有用，但小模型在大规模训练后易出现梯度饥饿。

针对多系统分数融合采用全局映射会抹掉信道与性别等条件差异的问题，该文用嵌入推断离散隐条件并按条件做高斯生成式似然比融合，在 SRE24 评测上相对逻辑回归取得约两成相对改善，但代价是引入嵌入维度与条件数等超参数和更复杂的无监督训练。

针对声学失配下说话人嵌入漂移问题，论文用条件流匹配在嵌入空间学习从高斯噪声到干净教师嵌入的映射，并用多次采样估计目标分数均值做分数归一化，在七个数据集上平均相对降低等错率约 17%，代价是推理需多步常微分方程求解且在干净匹配条件下几乎无增益。

该文把 256 维说话人嵌入重编码到 500 维，用矩阵级稀疏、向量级稀疏与正交三种自编码器在同一说话人验证协议下比较，报告中等至高稀疏可在保持可比等错率的同时带来去相关与典型性改善，而互信息结合解耦熵式的指标更能跟踪这种改善，但高稀疏的零方差维度与概念选择敏感构成主要代价。

论文研究说话人识别中速度扰动和混合拼接增强如何加大训练难度，提出用杰弗里斯损失约束非目标分布并用面向近邻的混合采样供给局部样本，在多组失配评估上报告稳健性方向，同时显示单阶段联合多种增强会使判别过难而分数融合更稳妥。

针对 SRE24 音频验证中固定训练缺阿拉伯语与法语、短语音与多说话人测试变难的问题，I4U 用 Multi2dCoTNet 多嵌入约束、NPSVM 分类器、自适应归一化与 Mixed-Norm 虚拟说话人给出官方五系统方案，并用 Multi2dCoTNet 加 XLSR-CAMHFA 的两系统精简方案在更低算力下达到相近精度，但短时长与声源失配仍是主要误差 …