假说说话者识别：部分假说音频中的“何时假说”

本文定义了假说说话者识别（Spoof Diarization）作为部分假说（PS）情景下的新任务。旨在确定何时使用何种假说方法，这不仅包括定位假说区域，还包括根据不同假说方法对其进行聚类。作为该任务的开创性研究，我们聚焦于定义任务、建立评估指标和提出一种基准模型，即 Countermeasure-Condition Clustering（3C）模型。利用该模型，我们首先探讨了如何有效训练反掩装置以支持假说说话者识别，采用三种标记方案。随后，我们利用假说定位预测来增强说话者识别性能。该研究揭示了该任务的高度复杂性，即便在仅考虑每个音频文件单个说话者且假说方法数量为 oracle 情形的受限场景下亦然。我们的代码已公开于 https://github.com/nii-yamagishilab/PartialSpoof。