arXiv · Audio and Speech· Runqiu Xu, Zhisheng Zheng, David Harwath·· 3 小时前AI 评分30
Voices as Handles: Frozen Text LLMs 通过 Speaker Handles 推理说话人身份
Voices as Handles: Reasoning about Speaker Identity with Frozen Text LLMs
AI 导读
Speaker Handles 将说话人嵌入映射为软 token，让冻结文本 LLM 支持跨会话的说话人依赖推理。训练仅用不到 0.1% 的骨干参数，在 VoxCeleb1 上达 97.40-98.36%，SpeakerBind 上达 70.40%，接近 71.88% 基准线。
来源：arXiv · Audio and Speech · arxiv.org