说话人验证

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。

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。

针对开集噪声标签无法用闭集纠正解决的问题，论文提出时间集成阈值做样本选择与邻居感知标签混合做标签纠正，并在 VoxCeleb 对称与非对称噪声下把平均等错率降到 3.71% 左右，但高噪声与跨评估集上的优势幅度并不一致。

针对匿名化语音仍残留说话人线索的问题，DAST 用 Fbank 与 WavLM 双流中层融合加原始语音、转换语音、目标匿名语音三阶段训练，在 VPAC 七个系统上以等错误率衡量实现更强攻击，而仅用 10% 目标数据微调就超过现有最优的代价是仍需目标系统数据做适配。

该研究把对抗扰动从波形搬到冻结 DAC 的连续隐空间，用条件生成器一次前向产生目标扰动，在语音指令、环境声、声场景和说话人验证上报告最高 99% 量级目标攻击成功率与 7 毫秒内推理，但以白盒可微流水线和冻结编解码器为前提。

论文指出按频率选词 n 元组会混入主题词而高估证据强度，改用显式定义的 156 个功能词集并以 ANOVA F 值筛选到 50 维，在 104 名澳大利亚男性说话人电话对话上从 Cllr 0.83 改进到 0.78，但仍弱于含主题词基线的 0.60。

该工作用共享语音编码器加两条属性分支同时对齐语义教师与说话人教师，在多语言检索上接近单语义模型并在说话人验证上接近教师模型，代价是需要双教师监督与大规模多语言训练。

针对基础模型表示中内容与说话人纠缠的问题，该文用合成干预数据加多分支对比损失学出两个子空间，最强证据是跨域说话人验证等错误率明显下降，主要代价是内容分支在关键词任务上丢失信息且两分支仍有泄漏。

针对跨语言时语言线索与说话人身份纠缠的问题，该工作用正交投影只取自监督特征中与监督嵌入互补的分量，并用流形约束的神经 PLDA 做判别优化，最终融合系统在两条测试赛道上报告等错误率为 1.39% 和 1.95%，代价是三阶段前端与两阶段后端的复杂训练流程和大规模数据依赖。

论文提出以行归一化增益比度量供体语言对目标语言影响的跨语言迁移矩阵，并在 44 种语言上用同一 HuBERT 编码器对比性别识别与说话人验证，发现前者近乎语言无关而后者普遍负迁移且亲缘语言内才有正迁移，但结论依赖小样本动态区间与单轮微调条件。

针对音画伪造在未见篡改与跨语言下易失效的问题，Referee 用一次真实参考做生物特征锚点，经身份瓶颈压缩与跨身份匹配再联合音画时序做真伪判定，在 FakeAVCeleb 训练下跨库与跨语言取得最强 AUC 与 AP，但仍依赖同身份真实参考且对参考质量敏感。

针对不足 3 秒的自定义短语验证不稳定问题，论文用文本相关与文本无关混合注册加并行交叉注意力帧级重打分，在 VoxPhrase 上用冻结骨干加轻量验证器持续降低等错率，代价是需要同时准备两种注册语音并额外训练验证器。

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。