VOSSA：流式语音架构的声纹优化

VOSSA 提出一种声纹优化框架，从中间内容编码器层提取说话人信息并用注意力统计池化聚合，与语音转换目标联合训练，无需独立说话人编码器。在六个数据集上，VOSSA 改善 F0 动态与元音区分声学线索，NISQA-MOS、WER 和说话人相似度保持可比；感知测试显示自然度、说话人相似度、可懂度和表现力提升。