说话人验证

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 …

J-SPAW2 在保留日语真实录制框架下系统控制重放距离音量与零样本合成参考噪声，用低音量远场重放使 w2v2+AASIST 的 t-DCF 升至 0.619、用 ElevenLabs 等合成使 CM 与 ASV 同时退化，但增强后更自然并不等于更难检测。

Kiwano 用纯 PyTorch 的数据管理、前端嵌入与后端打分统一研究说话人确认，在 VoxCeleb2 训练下 fwSE-ResNet-200 取得全局平均 3.16% 等错误率与 0.193 最小检测代价，代价是 79 小时训练与 706.3 千瓦时能耗及跨域仍有明显退化。

共收录 52 篇 odyssey-2026 会议论文的 Reader 深度解读

该文用均匀 K 均值量化感知训练在 ResNet-36 与 ResNet-200 上定位 2 比特为主要退化区间，以分数漂移与阈值附近有害翻转解释退化，并用 2/3/4 比特校准级联在接近 FP32 性能下降低平均计算代价，但三模型常驻带来内存代价。

该文以 ECAPA-TDNN 嵌入为基础比较余弦与多种 PLDA 后端，提出嵌入提取器与判别式 PLDA 端到端联合微调，在 VoxCeleb1 上联合模型取得 PLDA 类最优而余弦仍保持最佳区分性，在 ASVspoof2019 上余弦的 a-DCF 最优而联合模型是 PLDA 类中最优，代价是流程更复杂且 t-DCF 未见统计显著优势。

论文以多轮对话中同一说话人是否保持声学一致为问题，用检测、定位、判别三任务与 1818 个人审实例检验 12 个大音频语言模型与 6 种嵌入基线，最强证据是判别可达 81.5% 而检测仅 64.7% 且加文本上下文后不一致检出崩塌，代价是绝对判断阈值不稳与文本压过声学。

论文针对深度说话人嵌入后端仍需结构化建模与时长补偿的问题，提出各向同性 PLDA 与球面高斯 T-PSDA 及其时长扩展，在 NIST SRE 与 CN-Celeb 上以 EER 与最小代价显示时长建模带来可复现增益，但最小主代价改善有限且依赖前端与归一化条件。

针对跨语言说话人确认退化与语种识别走说话人捷径的纠缠问题，论文用冻结 W2V-BERT 2.0 加小波前缀调谐与减加双路径融合，在 TidyVoice 上报告 3.16% 和 4.35% 等错误率，代价是依赖后处理校准与多阶段调参。

论文用跨语言迁移矩阵比较四种说话人确认架构在 44 种语言上的迁移结构，发现 ECAPA-TDNN 最接近语言无关而 HuBERT-SID 语言依赖最重，代价是结论只在受控小数据区间和 AUC 度量下成立。