说话人验证

针对电话开场验一次后中途换人或冒充的风险，该工作用冻结 ReDimNet-B1 加三元组训练的轻量投影网络做持续比对，在 TidyVoice 上报告等错误率 2.08%，代价是系统只验证了该数据集与给定增强条件且本次未能确认代码数据可达。

针对防伪造说话人验证同时依赖说话人相似度和伪造检测分数的问题，AGENT 用分数最大化加方向选择性梯度融合做黑盒迁移攻击，在级联结构上报告最高 99.62% 攻击成功率，代价是扰动预算增大时信噪比降至 22 dB 左右。

针对多域混合训练时单高斯风格假设不足的问题，该文用风格空间在线高斯混合模型估计簇内偶然不确定性并与批量级扰动叠加增强，在 ASVspoof5 第一轨评估集上报告等错误率为 3.96% 和最小检测代价为 0.108，代价是引入分量数 K 与强度 λ 等超参数及批量统计稳定性依赖。

论文用带限倒谱系数扫描 0–8 kHz 并做似然比法庭语音比较，报告全频带 Cllr 为 0.13643，而 0–0.6 kHz 与 4–6 kHz 最具区分力、7 kHz 以上最弱，多子带融合可进一步低于任一单子带但仍未达到全频带水平。

针对单路残差通道间无交换与无约束多流易失稳的问题，该文用静态可学习混合矩阵加 Sinkhorn 双随机投影构造 mHC，在 VoxCeleb1-O/E/H 与 VoxSRC21-val 上一致降低等错误率，而参数量与计算量几乎不变。

针对 1 秒左右短语音说话人确认性能崩塌问题，论文在 WavLM 加 ECAPA-TDNN 基线上插入 TVAMSP 模块，用可学习的向量档案逐帧补足说话人信息，在 Vox1-O 上 1 秒 EER 做到 8.334%，代价是 3 秒长输入会被扰动而反而不如基线。

针对多语言试听中语言线索混入说话人嵌入的问题，论文比较了梯度反转、特征扰动、后端解耦和打分校准四类语言补偿，最终融合系统在 tv26 eval-A 上报告 2.53% EER，但前端去语言化会损失一部分可由强后端利用的说话人信息。

针对客户端数据分布不一致导致本地模型学到冗余知识的问题，该工作用费雪信息矩阵选出全局嵌入中的关键维度并做表示对齐，在 VoxCeleb 系列上把各客户端等错误率降到最低，但跨域的 CN-Celeb1 上仍有一项不如 FedFSS 且未报告通信与计算开销。

针对含噪说话人确认中干净参考仍带通道残留而误导增强的问题，该研究用双解码器加混合一致性约束做面向确认的分解，在 VoxCeleb1 加 MUSAN 上 Vox2 训练平均等误率做到 1.19%，代价是干净与高信噪比下不占优且依赖受控仿真条件。

该文用 FAcodec 显式丢弃内容分量并对韵律做全局与局部多粒度混淆，在 VoxCeleb1-O 上报告等错误率 2.35% 与词错误率 98.83%，代价是短时客观可懂度仍为 0.3410 且韵律残留风险需靠听感样本佐证。

针对跨语言和噪声下说话人确认易把语言当成身份的问题，该文先用弧面间隔损失在多语言数据上微调 ReDimNet-B6，再冻结主干训练轻量三元组投影网络，开发集等错误率从基线 3.07% 降到 1.58%，代价是最易条件出现 0.07 个百分点回退且盲测集仍明显高于开发集。

针对冻结说话人嵌入的无标签增强问题，该文用冯·米塞斯-费舍尔分布对干净目标建模并轮廓化样本级集中度，得到对数残差损失，在保持标准集基线的同时改善 CN-Celeb、VOiCES 等失配集，代价是标准集提升微弱且重度失配仍有残留误差。

针对无说话人标签时伪标签噪声大且低置信样本难利用的问题，该方法用预训练模型多层聚类一致性选出高置信集合做伪监督，并对低置信集合做教师软目标蒸馏与一致性正则，在 Vox1-O 上报告 EER 为 1.09%，代价是需要多轮聚类与重训的迭代流程。

SMIA 针对 AI 合成语音中人耳不敏感的低能量时频区做黑盒频谱掩蔽与插值搜索，在 ASVspoof 2019 与 LibriSpeech 上报告独立反欺骗最高 100%、独立验证最高 97.5%、联合管线最高 82% 的攻击成功率，但强反欺骗与保真说话人特征之间存在明显张力。

针对日语词/saN/中擦音/s/、元音/a/、鼻音/N/的说话人区分信息在频谱上如何分布的问题，研究用线性变换由全带倒谱直接导出子带倒谱并做似然比取证比对，最强证据是全带条件下/a/平均 Cllr 为 0.38766 优于/N/的 0.43473 和/s/的 0.68110，代价是高频 7-8 kHz 子带普遍偏弱且敏感子带位置不能完全由发音生理预测。

针对离散音频令牌在文本无关说话人确认中明显弱于滤波器组特征的问题，论文用滤波器组教师指导令牌学生的跨特征知识蒸馏对齐说话人嵌入方向，在 VoxCeleb 上把令牌系统的等错率从 3.38% 降到 2.25%，代价是需要先训练好教师并使用远大于常规的蒸馏权重。

论文用 85 人配对健康与感冒录音检验感冒对说话人嵌入的影响，发现传统声学特征经多重校正后大多不显著，而四种现代嵌入均出现可测量的有向偏移，其中 TitaNet 相对偏移最大但验证错误率仍保持在 1.51% 到 3.10% 之间。

针对混合结构先把频率轴塌缩再做全局建模会丢失显式谱时结构的问题，C2D-ST 在主干全程保留二维谱时网格并用邻域注意力做局部、用轴向注意力做频率与时间全局建模，仅在最后阶段做时间建模，在 VoxCeleb 上以 6.9M 参数达到平均 EER 0.507，代价是最终仍需时间聚合与 AS-Norm 等评分补偿。

针对随机切段与噪声增强导致单步置信抖动的问题，HistoMatch 用瞬时置信加稳态历史一致性做双态筛选，在每说话人 20 条标注时 VoxCeleb1-O/E/H 上报告 0.91%、1.13% 和 2.13% 的等错误率，代价是需要维护跨轮预测队列与双阈值滑动平均。

针对防欺骗说话人确认中说话人判别与伪造检测目标不一致且分数分布易漂移的问题，论文提出以开发集等错率阈值边距为置信度的软门控分数融合，在两个基准集与四种声学模型组合上报告相对基线最高约 90% 的 a-DCF 相对改进，但阈值贴近 0 或 1 时会明显失效。