arXiv eess.AS RSS·· 1 天前
冻结文本 LLM 的说话人身份推理：Speaker Handles 与 SpeakerBind 基准
Voices as Handles: Reasoning about Speaker Identity with Frozen Text LLMs
摘要
研究提出 Speaker Handles，用软 token 表示把声学说话人身份暴露给冻结的文本 LLM，实现跨会话的说话人相关推理。其轻量投影器参数不足主干 0.1%，在 VoxCeleb1 上达 97.40-98.36% 准确率，在 SpeakerBind 上为 70.40%，接近 71.88% 的 topline。
应来源方要求，这里只提供摘要与原文入口。完整内容请阅读原文。
来源：arXiv eess.AS RSS · arxiv.org