本文介绍了一种基于计算机视觉技术的全自动管道，用于从开源媒体中创建一个大规模的必须文本无关语音识别数据集，并在其上应用和比较不同的演讲者识别技术以建立性能基线。

Jun, 2017

本文介绍了一个大规模的音频 - 视觉说话人识别数据集，用于使用卷积神经网络模型和训练策略在各种条件下有效识别声音中的身份，并展示出比以前的成果更高的性能表现。

Jun, 2018

本文研究了利用网络音频数据自动识别口语语言的任务。通过从特定语言的 Wikipedia 数据中生成半随机搜索短语，并从 YouTube 中检索视频来提取具有语音的视频片段，并使用语音活动检测和说话人分离提取包含语音的视频片段，最终构建了可用于多种口语识别任务的语言识别模型，自动检索的数据结果优于使用手工标记的专有数据集。

Nov, 2020

本文介绍了 CN-Celeb 数据集，它是一个大规模的演讲者识别数据集，收集了来自 1000 个中国名人的超过 130,000 个话语，覆盖了现实世界中的 11 个不同流派，并表明在实际情况下，现有技术的性能可能比预期的要差得多。

Oct, 2019

该研究探究流行的说话人识别模型在电影片段中的性能，收集了一组新的具有挑战性的说话人识别数据集 VoxMovies，比当前数据集 VoxCeleb 更加具有挑战性，提出了领域自适应评估集，展示了简单的领域自适应模型能够提高性能，但仍有很大的改进空间。

Oct, 2020

本文介绍了一个半自动注释的音视频数据库，用于处理自由自然的西班牙语，提供了来自西班牙电视的 13 小时数据。此外，报告了基于隐马尔可夫模型的发言人相关和发言人无关情景的基准结果，这是一种在语音技术领域广泛使用的传统范式。

Nov, 2023

该研究在中文、西班牙语、英语、阿拉伯语和法语这五种常用语言上，对音视频语音识别（AVSR）进行了广泛而详细的研究。通过收集大规模的数据集并进行有监督学习模型的训练，在多语言环境中训练的 ViSpeR 模型在每种语言的最新基准测试中表现出竞争力。该研究通过提供数据集和模型给研究社区，旨在为音视频语音识别领域的进一步研究和探索奠定基础。

May, 2024

通过语音分析促进帕金森病（PD）的诊断受到缺乏公开的多样性语言数据集的限制，为了填补这一空白，我们引入了一个全面的语料库，其包括 108 名西班牙母语的巴斯克语言人中的 55 名健康对照组和 53 名被诊断为 PD 的患者，他们在药物优化状态下接受记录。这个独特的数据集涵盖了多种语音任务，包括西班牙五个元音的持续发声、对口语音测试、16 个听音重复的表达以及自由独白。这个数据集通过听音重复任务的专业手动转录加强了准确性和可靠性，同时利用 Whisper 进行了自动独白转录，成为目前最完整的公开帕金森病语音语料库，也是第一个使用西班牙巴斯克语的语料库。NeuroVoz 由 2,903 个音频录音组成，每位参与者平均有 26.88 个录音，为研究帕金森病对语音的影响提供了重要资源。该数据集已经支撑了多项研究，在 PD 语音模式识别方面达到了 89% 的基准准确率，表明了与 PD 相关的显著语音变化。尽管取得了这些进展，进行语言无关性的跨语料库分析仍然是未来研究中一个开放的领域。此研究填补了 PD 语音分析资源的重要空缺，并为全球研究社区在利用语音作为神经退行性疾病的诊断工具方面树立了新的标准。

Mar, 2024

本文介绍了 Microsoft 公司的单声道多人对话录音扬声器辨识系统，并用 VoxCeleb 挑战赛 2020 年的说话人辨识赛道进行了评估。论文首先介绍了解决真实多人对话记录中的问题的系统设计。然后介绍了组件的细节，其中包括 Res2Net 基于说话人嵌入提取器，基于 conformer 的连续语音分离和泄漏过滤，以及修改后的 DOVER 方法用于系统融合。使用 VoxSRC challenge 2020 提供的数据集进行系统评估。我们的最佳系统在开发集上的辨识错误率（DER）为 3.71％，在评估集上的 DER 为 6.23％，并在挑战的辨识赛道上排名第一。

Oct, 2020

该研究论文讨论了 VoxCeleb Speaker Recognition Challenge 2022 中讲者辨识赛道中的语音活动检测问题，提出了基于多流方法和熵决策协议的语音活动检测模型，并取得了接近最新成果的效果。

Jan, 2023