SVeritas：面向多样化条件下稳健说话人验证的基准

说话人验证（SV）模型正日益集成到安全、个人化和访问控制系统中，但其对许多现实挑战的鲁棒性仍未得到充分基准化测试。这些挑战包括各种自然条件和恶意制造的条件，导致信号退化或注册与测试数据之间的不匹配，从而影响性能。现有基准仅评估这些条件的子集，遗漏了其他条件。我们引入SVeritas，一个全面的说话人验证任务基准套件，在压力因素（包括录音时长、随机性、内容、噪声、麦克风距离、混响、信道不匹配、音频带宽、音频编解码器、说话人年龄以及易受欺骗和对抗攻击的威胁）下评估SV系统。虽然已有多个基准涵盖其中的一些问题，但SVeritas是首个包含所有这些条件，同时还包括一些全新且同样重要的现实情形的全面评估。我们使用SVeritas评估了多个最先进的SV模型，发现某些架构在常见失真下保持稳定，但在跨语言试验、年龄不匹配和编解码器引起的压缩情形下表现显著下降。我们进一步通过对不同人口统计子群的分析，识别了在年龄、性别和语言背景方面的鲁棒性差异。通过在现实和合成压力条件下标准化评估，SVeritas使我们能够精准诊断模型弱点，并为推动建立平等且可靠的说话人验证系统奠定了基础。