El error de verificación del hablante en la prueba de VoxCeleb1 cayó de 8,8% en 2017 (Nagrani et al., artículo VoxCeleb, 2017) a 0,12% en un artículo de 2025 (Li, Cheng y Li, artículo w2v-BERT 2.0, 2025), una caída de 73 veces (8,8 / 0,12). La verificación del hablante es la comprobación de «¿es la misma persona?», y la tasa de error igual (EER) es su puntuación estándar. Ese récord proviene de una lista fija de discursos de celebridades tomados de YouTube. El mismo campo reporta 9,30% cuando el murmullo de una multitud suena tan fuerte como la voz (Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025) y 10,419% cuando se compara a una misma persona con una gran diferencia de edad (Qin et al., Interspeech 2022). Reunimos datos de los organizadores del desafío VoxSRC, de la NIST Speaker Recognition Evaluation, de artículos de Interspeech y Odyssey, de los equipos de los corpus VoxBlink2 y CN-Celeb y de investigaciones sobre equidad de FAccT. Para el lado comercial de esta tecnología, consulta nuestras estadísticas de biometría de voz, y para el problema de «quién habló cuándo», que está junto a este, consulta nuestro resumen sobre la tasa de error de diarización de hablantes.
TL;DR
- Menor EER en VoxCeleb1-O que encontramos en un artículo primario: 0,12%, de un modelo con unos 600 millones de parámetros (Li, Cheng y Li, artículo w2v-BERT 2.0, 2025).
- Un corpus de 111.284 hablantes ayudó a llevar una sola ResNet a 0,17% de EER y 0,006 de minDCF (Lin et al., VoxBlink2, Interspeech 2024).
- ReDimNet2-B6 alcanza 0,29% de EER con 12,3M de parámetros (Yakovlev y Okhotnikov, artículo ReDimNet2, 2026).
- La EER del primer puesto del Track 2 en el conjunto de prueba fijo de VoxSRC de 2019 cayó de 1,26% en 2019 a 0,47% en 2023 (Huh et al., retrospectiva de VoxSRC, 2024).
- Una comparación de 2 segundos eleva ERes2NetV2 de 0,61% a 1,48% de EER (Chen et al., artículo ERes2NetV2, 2024).
- El babble a 0 dB eleva una línea base ResNet34 de 1,98% a 9,30% de EER (Gu et al., 2025).
- Los pares con grandes diferencias de edad elevan una línea base de 1,939% a 10,419% de EER (Qin et al., Interspeech 2022).
- Una diferencia de 40 años llevó la EER masculina a 51,61% en un corpus finlandés, más allá de la línea del 50% de lanzar una moneda (Singh et al., Interspeech 2023).
- Un sistema x-vector entrenado en VoxCeleb obtuvo 3,48% en SITW y 16,59% en CN-Celeb.E (Li et al., artículo CN-Celeb, 2020).
- La clasificación del desafío telefónico SRE24 estaba encabezada por 2,37% de EER (clasificación del NIST SRE24-CTS Challenge, 24 de octubre de 2024).
- Las mujeres eran el 38% de los hablantes pero el 29,5% de los enunciados en el conjunto de prueba de VoxCeleb 1 (Hutiri y Ding, FAccT 2022).
1. La Vara de Medir: Qué Mide la EER y Qué Contiene VoxCeleb
Un sistema de verificación recibe dos grabaciones, llamadas «trial» (comparación), y decide si provienen del mismo hablante. Subir el umbral de aceptación rechaza a más hablantes reales, y bajarlo acepta a más impostores. La EER es el punto en que esas dos tasas de error coinciden. La métrica complementaria, minDCF (costo mínimo de detección), pondera los mismos dos errores para un punto de operación elegido, y menor también es mejor. Ninguna de las dos métricas cubre voces sintéticas o reproducidas: los «impostores» aquí son simplemente otras personas reales.
La lista de prueba clásica es pequeña: 37.720 comparaciones de 40 hablantes (Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025). VoxCeleb1-O, el nombre de esa lista, es fácil en comparación con sus hermanas más difíciles: el error de un modelo se cuadruplica al pasar de Vox1-O a Vox1-H (0,17% a 0,68%). Los datos de entrenamiento, en cambio, han crecido enormemente, y la sección 3 muestra por qué eso importa más que la mayoría de los cambios de arquitectura.
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño de VoxCeleb1: hablantes, enunciados, videos, horas, nacionalidades | 1.251 / 153.516 / 22.496 / 352 / 36 | Chung et al., artículo VoxCeleb2, 2018 |
| Parte de entrenamiento de VoxCeleb2: hablantes, enunciados, horas, segundos promedio por enunciado | 5.994 / 1.092.009 / 2.442 / 7,8 | Lin et al., VoxBlink2, Interspeech 2024 |
| Tamaño de VoxBlink2: hablantes, enunciados, horas, segundos promedio por enunciado | 111.284 / 9.904.382 / 16.672 / 6,0 | Lin et al., VoxBlink2, Interspeech 2024 |
| Tamaño de CN-Celeb: hablantes, géneros de grabación, horas en CN-Celeb1 más CN-Celeb2 | 3.000 / 11 / 274 más 1.090 | Li et al., artículo CN-Celeb, 2020 |
| Lista de prueba de VoxCeleb1-O: comparaciones, hablantes | 37.720 / 40 | Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025 |
| EER de un modelo en Vox1-O (lista fácil) vs Vox1-E (lista extendida) vs Vox1-H (lista difícil) | 0,17% vs 0,37% vs 0,68% | Lin et al., VoxBlink2, Interspeech 2024 |
Datos más recientes disponibles para las cifras originales del corpus: artículo VoxCeleb2, 2018.
2. El Historial del Desafío VoxSRC, de 2019 a 2023
El VoxCeleb Speaker Recognition Challenge se celebró cada año de 2019 a 2023, y su mejor decisión de diseño fue mantener el conjunto de prueba de 2019 dentro de todos los conjuntos de prueba posteriores. Eso le da al campo una vara de medir fija. En ella, la EER del primer puesto del Track 1 cayó de 1,42% en 2019 a 0,57% en 2021, y luego dejó de bajar. Los organizadores dicen que los ganadores están por debajo de 1% desde 2020, «lo que consideramos saturación del rendimiento», y el conjunto de prueba nuevo de cada año siguió siendo más difícil: los ganadores del Track 1 obtuvieron 3,73%, 1,85%, 1,49% y 1,59% en sus propios conjuntos de 2020 a 2023, a medida que la prueba crecía de 208.008 pares y 745 hablantes en 2019 a 825.437 pares y 2.532 hablantes en 2023 (Huh et al., retrospectiva de VoxSRC, 2024).
La saturación tiene un piso medible. En ese conjunto de 2019, los intervalos de confianza bootstrap del 95% tenían un ancho equivalente al 18,6% a 31,2% de la propia EER, así que las diferencias pequeñas entre ganadores pueden ser ruido. De los 232 pares que todos los ganadores de 2022 y 2023 clasificaron mal, 16 eran pares del mismo hablante, y 12 de esos 16 eran errores de etiqueta en la lista de prueba. Los casos difíciles también son reales: el ganador del Track 1 de 2022 obtuvo 0,90% en pares estándar y 2,07% cuando todos los pares eran difíciles (el mismo hablante a distintas edades, o hablantes distintos en el mismo entorno de grabación).
| Métrica | Valor | Fuente |
|---|---|---|
| EER del primer puesto del Track 1 (datos de entrenamiento cerrados) en el conjunto de prueba fijo de 2019, 2019 / 2020 / 2021 / 2022 / 2023 | 1,42% / 0,83% / 0,57% / 0,90% / 0,58% | Huh et al., retrospectiva de VoxSRC, 2024 |
| EER del primer puesto del Track 2 (datos de entrenamiento abiertos) en el conjunto de prueba fijo de 2019, 2019 / 2020 / 2021 / 2022 / 2023 | 1,26% / 0,80% / 0,57% / 0,69% / 0,47% | Huh et al., retrospectiva de VoxSRC, 2024 |
| Participación de UNISOUND en 2023, primera en el Track 1 según el informe del equipo: EER, minDCF en el conjunto de prueba de 2023 | 1,5880%, 0,0855 | Zheng et al., informe del sistema UNISOUND, 2023 |
| Participación de ID R&D en 2023, primera en la clasificación pública del Track 2: EER, minDCF con P_target 0,05 | 1,30%, 0,0762 | Torgashov et al., informe del sistema ID R&D, 2023 |
| Participación fusionada de ChinaTelecom en el Track 1 en 2023, autorreportada: EER, minDCF | 1,980%, 0,1066 | Du et al., informe del sistema ChinaTelecom, 2023 |
Contexto: la última edición se celebró en 2023, así que los datos más recientes disponibles para este desafío son la retrospectiva de 2024. La EER a menudo no era la métrica de clasificación, por lo que un equipo en segundo lugar a veces muestra una EER menor que la del ganador.
3. El Récord en VoxCeleb1-O, de 8,8% a 0,12%
El número de comparaciones vuelve concreta la mejora. Las dos tasas de error son iguales a la EER en el punto de operación, así que el total de errores es aproximadamente la EER por el número de comparaciones: 8,8% de 37.720 son unas 3.319 decisiones erróneas, y 0,12% son unas 45. Un sistema de 2025 comete unos 45 errores donde la línea base de 2017 cometía unos 3.319 (Li, Cheng y Li, artículo w2v-BERT 2.0, 2025). A ese nivel, un puñado de comparaciones mal etiquetadas puede decidir un récord.
Los datos ahora mueven la puntuación más que la arquitectura. W2V-BERT 2.0 figura con 0,38% cuando se entrena solo con VoxCeleb2 y 0,14% al añadir VoxBlink2, el mismo modelo de 587M de parámetros en ambas filas (Yakovlev y Okhotnikov, artículo ReDimNet2, 2026). Las recetas de entrenamiento también importan: ResNet34 pasó de 1,31% en su original citado a 0,723% en la reimplementación del toolkit WeSpeaker. Estos mismos embeddings también sirven de jueces en la investigación de conversión de voz, que examina nuestro resumen sobre similitud de hablante en la conversión de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| 2017: línea base i-vector más PLDA en la prueba de VoxCeleb1, EER y costo mínimo de detección | 8,8%, 0,73 | Nagrani et al., artículo VoxCeleb, 2017 |
| 2018: ResNet-50 entrenado en VoxCeleb2, EER y costo mínimo de detección | 3,95%, 0,429 | Chung et al., artículo VoxCeleb2, 2018 |
| 2020: ECAPA-TDNN con 1.024 canales, EER y minDCF | 0,87%, 0,1066 | Desplanques et al., Interspeech 2020 |
| 2022: ResNet293 en el toolkit WeSpeaker, EER y minDCF | 0,447%, 0,043 | Wang et al., artículo WeSpeaker, 2022 |
| 2024: SimAM-ResNet293 preentrenado en VoxBlink2, con calibración de calidad, EER y minDCF | 0,17%, 0,006 | Lin et al., VoxBlink2, Interspeech 2024 |
| 2025: w2v-BERT 2.0 en Vox1-O vs Vox1-H, EER | 0,12% vs 0,55% | Li, Cheng y Li, artículo w2v-BERT 2.0, 2025 |
| 2026: ReDimNet2-B6, EER, parámetros, GMACs (miles de millones de operaciones de multiplicación-acumulación) para 2 segundos de entrada | 0,29%, 12,3M, 13,05 | Yakovlev y Okhotnikov, artículo ReDimNet2, 2026 |
| 2026: ReDimNet2-B0, el modelo más pequeño de la familia, EER y parámetros | 1,04%, 1,1M | Yakovlev y Okhotnikov, artículo ReDimNet2, 2026 |
Nota sobre un caso atípico: los autores de w2v-BERT 2.0 informan que la poda redujo el tamaño del modelo en un 80% con solo 0,04% de degradación de la EER, así que los modelos más grandes quizá no necesiten seguir siéndolo.
4. Clips Cortos y Audio con Ruido
Recortar un clip de prueba a 2 segundos más que duplica el error de un modelo líder, de 0,61% a 1,48% (Chen et al., artículo ERes2NetV2, 2024). Eso importa para cualquier producto basado en una frase hablada breve, ya que la cifra destacada por debajo de 1% corresponde a clips de duración completa. También ocurre lo inverso: con pares de VoxSRC de más de 8 segundos, el ganador del Track 2 de 2023 casi se quedó sin errores.
El ruido sigue una curva empinada, no una recta. «Babble» significa el murmullo de fondo de una multitud, y la SNR (relación señal-ruido) mide la voz frente al ruido, así que 0 dB significa que ambos suenan igual de fuerte. Una línea base ResNet34 apenas se mueve a 20 dB, y luego su error sube más de cuatro veces a 0 dB (Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025). El murmullo de multitud perjudicó más que la música, probablemente porque es el mismo tipo de señal que el modelo está entrenado para identificar.
| Métrica | Valor | Fuente |
|---|---|---|
| EER de ERes2NetV2 en VoxCeleb1-O: comparaciones de duración completa vs 3 segundos vs 2 segundos | 0,61% vs 0,98% vs 1,48% | Chen et al., artículo ERes2NetV2, 2024 |
| EER de ECAPA-TDNN en VoxCeleb1-O: comparaciones de 3 segundos vs 2 segundos | 1,27% vs 1,95% | Chen et al., artículo ERes2NetV2, 2024 |
| EER de ResNet34 en VoxCeleb1-O: comparaciones de 3 segundos vs 2 segundos | 1,47% vs 2,12% | Chen et al., artículo ERes2NetV2, 2024 |
| EER del ganador del Track 2 de VoxSRC 2023 en el conjunto de prueba de 2019: todos los pares vs pares de más de 6 segundos vs pares de más de 8 segundos | 0,47% vs 0,26% vs 0,03% | Huh et al., retrospectiva de VoxSRC, 2024 |
| Segmentos de prueba de SRE24 donde los sistemas tuvieron más dificultad, y el punto por encima del cual las mejoras se reducen | 4,5 a 13 segundos; mejoras menores por encima de 22,6 segundos | Singer et al., Odyssey 2026 |
| EER de la línea base ResNet34 en la prueba de VoxCeleb1: limpio vs babble a 20 dB vs babble a 0 dB | 1,98% vs 2,18% vs 9,30% | Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025 |
| Misma línea base a 0 dB: música vs ruido general | 5,82% vs 7,3% | Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025 |
| Misma línea base a 0 dB con ruido Nonspeech100, y el modelo condicionado por ruido con babble a 0 dB | 10,17%; 8,10% | Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025 |
Contexto: los resultados con ruido no se trasladan de un artículo a otro. Un estudio de la Universidad de Seúl midió ECAPA-TDNN en 3,46% limpio y 13,01% con babble a 0 dB (Kim et al., artículo PAS, 2023), con una configuración de entrenamiento distinta, así que compara el aumento dentro de cada estudio y no los valores absolutos.
5. Edad, Corpus y Desajuste de Dominio
Un récord en VoxCeleb1-O dice poco sobre una voz grabada con años de diferencia o en otro entorno. Elegir pares del mismo hablante con grandes diferencias de edad elevó una línea base de 1,939% a 10,419% de EER (Qin et al., Interspeech 2022). Un corpus longitudinal finlandés muestra el extremo largo de esa curva: con 40 años de diferencia, la EER masculina de 51,61% es peor que adivinar (Singh et al., Interspeech 2023). Ese corpus es pequeño, con 109 hablantes tras el preprocesamiento, y las edades de VoxCeleb son estimadas, no registradas, así que conviene leer la dirección con más confianza que los valores exactos.
El cambio de dominio es el mayor riesgo comercial, porque llega en silencio. El x-vector entrenado en VoxCeleb del artículo CN-Celeb vio subir su error casi cinco veces en audio chino de múltiples géneros (16,59 / 3,48 = 4,8). Reentrenar en el nuevo dominio ayuda, pero no cierra la brecha: la misma receta de ECAPA-TDNN aún mostró más de nueve veces el error en CN-Celeb que mostró en VoxCeleb (8,877 / 0,936 = 9,5).
| Métrica | Valor | Fuente |
|---|---|---|
| EER de la línea base en la prueba Vox-H vs Vox-CA20, una prueba de pares con grandes diferencias de edad | 1,939% vs 10,419% | Qin et al., Interspeech 2022 |
| EER de ECAPA-TDNN en VoxCeleb1-Age-Enriched (EE. UU.) con 3 / 6 / 9 años de diferencia de edad, hablantes masculinos | 2,31% / 2,84% / 3,63% | Singh et al., Interspeech 2023 |
| Misma prueba con 3 / 6 / 9 años de diferencia de edad, hablantes femeninas | 2,70% / 3,12% / 3,87% | Singh et al., Interspeech 2023 |
| EER del corpus longitudinal finlandés (LCFSH) con 0 / 20 / 40 años de diferencia de edad, hablantes masculinos | 5,12% / 18,68% / 51,61% | Singh et al., Interspeech 2023 |
| Mismo corpus con 0 / 20 / 40 años de diferencia de edad, hablantes femeninas | 10,04% / 21,67% / 40,61% | Singh et al., Interspeech 2023 |
| EER del x-vector entrenado en VoxCeleb en el conjunto de prueba SITW vs CN-Celeb.E (un conjunto de evaluación de CN-Celeb) | 3,48% vs 16,59% | Li et al., artículo CN-Celeb, 2020 |
| ECAPA-TDNN con pérdida AM-Softmax: prueba de VoxCeleb1 vs evaluación de CN-Celeb, cada una entrenada en su propio dominio | 0,936% vs 8,877% | Wang et al., artículo DASA, 2023 |
| Pista de adaptación de dominio de VoxSRC 2023 en CNCeleb: línea base vs primer puesto, EER | 13,11% vs 4,95% | Huh et al., retrospectiva de VoxSRC, 2024 |
Datos más recientes disponibles sobre el envejecimiento a largo plazo: Singh et al., Interspeech 2023.
6. NIST SRE: El Referente Más Difícil, Sin las Cifras Destacadas
El NIST realiza estas evaluaciones desde 1996, y no se parecen en nada a las entrevistas de YouTube. SRE24 usó un corpus nuevo recopilado fuera de Norteamérica, con habla telefónica y audio de video, en árabe tunecino, inglés y francés. El líder del desafío telefónico de SRE24 estaba en 2,37% de EER, unas 20 veces el récord de VoxCeleb1-O (2,37 / 0,12 = 19,8) (sitio de NIST SRE24), aunque las dos pruebas difieren demasiado para que esa razón mida algo más que dificultad.
El análisis de 91 sistemas presentados a SRE24 encontró que las comparaciones telefónicas con condiciones coincidentes superaron de forma constante a las comparaciones con condiciones coincidentes de audio de video, y que el tipo de fuente importó más que el desajuste de idioma. Tres segmentos de registro (enrollment) generalmente superaron a uno, incluso con el mismo habla total, y la mayoría de los sistemas mostró diferencias limitadas entre sexos en comparaciones del mismo sexo (Singer et al., Odyssey 2026). Los datos de entrenamiento sin restricciones aportaron mejoras significativas, y los modelos individuales compitieron con las fusiones (Greenberg et al., Interspeech 2025). Las cifras de la tabla siguiente muestran la otra lección: un sistema que no puede fijar su propio umbral no está listo, por bueno que sea su costo mínimo.
| Métrica | Valor | Fuente |
|---|---|---|
| Desafío telefónico SRE19: organizaciones, equipos, salidas de sistema válidas | 67 / 51 / 1.347 | Sadjadi et al., NIST SRE19 CTS Challenge, Odyssey 2020 |
| Prueba de audio SRE21: comparaciones objetivo vs comparaciones no objetivo | 132.038 vs 5.899.731 | Sadjadi et al., NIST SRE21, 2022 |
| SRE24: equipos, organizaciones, sistemas presentados | 11 / 26 / 91 | Singer et al., Odyssey 2026 |
| Primera fila de la clasificación SRE24-CTS el 24 de octubre de 2024: EER, costo mínimo, costo real | 2,37%, 0,102, 0,106 | Clasificación del NIST SRE24-CTS Challenge, 2024 |
| Otra participación en esa clasificación: EER, costo mínimo, costo real (un sistema trivial obtiene 1) | 3,00%, 0,080, 1,000 | Clasificación del NIST SRE24-CTS Challenge, 2024 |
| Sistema HCCL presentado a SRE21, conjunto de desarrollo vs evaluación: EER | 2,27% vs 3,05% | Li et al., sistema HCCL, Interspeech 2022 |
| Mismo sistema, conjunto de desarrollo vs evaluación: costo real | 0,170 vs 0,560 | Li et al., sistema HCCL, Interspeech 2022 |
Contexto: los artículos de resumen y análisis de SRE24 presentan los resultados en gráficos, sin valores de EER impresos, así que la clasificación es la ventana numérica a este ciclo. Datos más recientes disponibles de resultados numéricos oficiales: clasificación del NIST SRE24-CTS Challenge, 2024.
7. Equidad: A Quién Mide el Referente
Una sola puntuación de referencia puede ocultar que la tasa de falsos positivos de un grupo sea 13 veces la tasa global. En el umbral global de costo mínimo, las hablantes indias tuvieron una tasa de falsos positivos 13,0387 veces la tasa global en un estudio del flujo de trabajo del VoxCeleb Speaker Recognition Challenge (Hutiri y Ding, FAccT 2022). La composición de los datos ayuda a explicarlo: el conjunto de prueba de VoxCeleb 1 tiene 62,5% de hablantes de EE. UU., y las mujeres aportan el 38% de los hablantes pero el 29,5% de los enunciados.
La dirección de la brecha de género no es fija, y ese es el hallazgo útil. Los ganadores de VoxSRC obtuvieron mejores resultados con hombres, un estudio de Amazon obtuvo mejores resultados con mujeres, y un experimento controlado muestra que la mezcla de entrenamiento puede crear una brecha propia. El mismo patrón aparece en las herramientas de habla a nivel de palabra, como documenta nuestro resumen sobre el sesgo de acento en el reconocimiento de voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Conjunto de prueba de VoxCeleb 1: proporción de hablantes de EE. UU.; proporción femenina de hablantes; proporción femenina de enunciados | 62,5%; 38%; 29,5% | Hutiri y Ding, FAccT 2022 |
| Conjunto de entrenamiento de VoxCeleb 2: proporción masculina; proporción de EE. UU. | 61%; 29% | Hutiri y Ding, FAccT 2022 |
| Hablantes indias vs tasa global: razón de falsos positivos; razón de falsos negativos | 13,0387 veces; 1,2497 veces | Hutiri y Ding, FAccT 2022 |
| Ganadores de VoxSRC 2023 en el conjunto de prueba de 2019, EER masculina vs femenina: Track 1; Track 2 | 0,57% vs 0,69%; 0,43% vs 0,59% | Huh et al., retrospectiva de VoxSRC, 2024 |
| Sistema de reponderación adversarial, EER masculina vs femenina | 1,25% vs 0,67% | Jin et al., Interspeech 2022 |
| Mismo estudio, brecha entre los grupos de género antes vs después de la reponderación | 0,70% vs 0,58% | Jin et al., Interspeech 2022 |
| Mismo estudio, EER para EE. UU. vs Reino Unido vs todas las demás nacionalidades | 1,04% vs 0,76% vs 1,22% | Jin et al., Interspeech 2022 |
| Línea base ResNet-34 (con un cuarto de los canales) entrenada con una mezcla de 9:1 de mujeres a hombres, EER femenina vs masculina | 3,52% vs 7,22% | Shen et al., ICASSP 2022 |
Datos más recientes disponibles sobre razones de error por subgrupo: Hutiri y Ding, FAccT 2022. Por separado, Estevez y Ferrer encontraron que el rendimiento «se degradó notablemente» para los grupos subrepresentados en el entrenamiento, y que un simple balanceo de datos redujo el sesgo sin perjudicar a los grupos mayoritarios (Study on the Fairness of Speaker Verification Systems).
Resumen: Verificación del Hablante en VoxCeleb y Tasa de Error Igual en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Menor EER en VoxCeleb1-O encontrada en un artículo primario | 0,12% | Li, Cheng y Li, artículo w2v-BERT 2.0, 2025 |
| Mismo sistema en la lista difícil Vox1-H | 0,55% | Li, Cheng y Li, artículo w2v-BERT 2.0, 2025 |
| SimAM-ResNet293 en VoxCeleb1-O con preentrenamiento en VoxBlink2 y calibración de calidad, EER y minDCF | 0,17%, 0,006 | Lin et al., VoxBlink2, Interspeech 2024 |
| Hablantes de VoxBlink2 vs hablantes de VoxCeleb2 | 111.284 vs 5.994 | Lin et al., VoxBlink2, Interspeech 2024 |
| EER y parámetros de ReDimNet2-B6 | 0,29%, 12,3M | Yakovlev y Okhotnikov, artículo ReDimNet2, 2026 |
| EER de ECAPA-TDNN con 1.024 canales | 0,87% | Desplanques et al., Interspeech 2020 |
| EER del primer puesto del Track 2 de VoxSRC en el conjunto de prueba fijo de 2019, 2019 vs 2023 | 1,26% vs 0,47% | Huh et al., retrospectiva de VoxSRC, 2024 |
| EER de ERes2NetV2 en comparaciones de duración completa vs de 2 segundos | 0,61% vs 1,48% | Chen et al., artículo ERes2NetV2, 2024 |
| EER de la línea base ResNet34, limpio vs babble a 0 dB | 1,98% vs 9,30% | Gu et al., artículo Noise-Conditioned Mixture-of-Experts, 2025 |
| EER de la línea base en Vox-H vs Vox-CA20 (grandes diferencias de edad) | 1,939% vs 10,419% | Qin et al., Interspeech 2022 |
| EER masculina con 0 años vs 40 años de diferencia de edad, corpus finlandés | 5,12% vs 51,61% | Singh et al., Interspeech 2023 |
| EER del x-vector entrenado en VoxCeleb en SITW vs CN-Celeb.E | 3,48% vs 16,59% | Li et al., artículo CN-Celeb, 2020 |
| EER de ECAPA-TDNN en VoxCeleb1 vs evaluación de CN-Celeb, cada uno entrenado en su propio dominio | 0,936% vs 8,877% | Wang et al., artículo DASA, 2023 |
| EER de la primera fila de la clasificación SRE24-CTS | 2,37% | Clasificación del NIST SRE24-CTS Challenge, 2024 |
| Costo real de HCCL en SRE21, conjunto de desarrollo vs evaluación | 0,170 vs 0,560 | Li et al., sistema HCCL, Interspeech 2022 |
| Conjunto de prueba de VoxCeleb 1, proporción de mujeres entre hablantes vs enunciados | 38% vs 29,5% | Hutiri y Ding, FAccT 2022 |
| Tasa de falsos positivos de hablantes indias vs tasa global | 13,0387 veces | Hutiri y Ding, FAccT 2022 |
| Sistema de reponderación adversarial, EER masculina vs femenina | 1,25% vs 0,67% | Jin et al., Interspeech 2022 |
Metodología y Fuentes
Cada cifra se leyó en un artículo primario, un informe de desafío o una página del NIST durante esta investigación. Los valores de EER y de costo se citan tal como los imprime cada fuente. Las razones y los conteos de decisiones erróneas son aritmética propia, con la cuenta a la vista. No se usan datos de VoxBooster.
- Huh et al., The VoxCeleb Speaker Recognition Challenge: A Retrospective, 2024
- Nagrani, Chung y Zisserman, VoxCeleb: a large-scale speaker identification dataset, Interspeech 2017
- Chung, Nagrani y Zisserman, VoxCeleb2: Deep Speaker Recognition, Interspeech 2018
- Desplanques, Thienpondt y Demuynck, ECAPA-TDNN, Interspeech 2020
- Wang et al., artículo del toolkit WeSpeaker, 2022
- Lin et al., VoxBlink2, Interspeech 2024
- Li, Cheng y Li, w2v-BERT 2.0 y poda estructurada, 2025
- Yakovlev y Okhotnikov, ReDimNet2, 2026
- Zheng et al., sistema UNISOUND para VoxSRC 2023
- Torgashov et al., sistema ID R&D para VoxSRC 2023
- Du, Fang y Li, sistema ChinaTelecom para VoxSRC 2023
- Chen et al., ERes2NetV2, 2024
- Gu et al., Noise-Conditioned Mixture-of-Experts Framework, 2025
- Kim et al., artículo de aumento de datos PAS, 2023
- Qin et al., Cross-Age Speaker Verification, Interspeech 2022
- Singh, Sahidullah y Kinnunen, Speaker Verification Across Ages, Interspeech 2023
- Li et al., CN-Celeb: multi-genre speaker recognition, 2020
- Wang et al., artículo DASA, 2023
- Sitio de la NIST Speaker Recognition Evaluation y clasificación del SRE24-CTS Challenge
- Greenberg et al., The 2024 NIST Speaker Recognition Evaluation, Interspeech 2025
- Singer et al., Analysis of the NIST 2024 Speaker Recognition Evaluation, Odyssey 2026
- Sadjadi et al., The 2021 NIST Speaker Recognition Evaluation, 2022
- Sadjadi et al., The 2019 NIST SRE CTS Challenge, Odyssey 2020
- Li et al., The HCCL System for the NIST SRE21, Interspeech 2022
- Hutiri y Ding, Bias in Automated Speaker Recognition, FAccT 2022
- Jin et al., Adversarial Reweighting for Speaker Verification Fairness, Interspeech 2022
- Shen et al., Group-adapted Fusion Network, ICASSP 2022
- Estevez y Ferrer, Study on the Fairness of Speaker Verification Systems Across Accent and Gender Groups
- Qu et al., Fair-Gate, 2026
- Nota sobre los datos: los récords de VoxCeleb1-O no son perfectamente comparables, porque algunos artículos usan una versión depurada del protocolo y otros añaden normalización de puntuaciones o calibración de calidad. Solo la cifra de ECAPA-TDNN varía según el artículo: 0,87% en el original, 0,728% en WeSpeaker, 0,94% en la tabla de ReDimNet2 y 1,12% en el artículo Fair-Gate de 2026. Los autores de w2v-BERT 2.0 reportan 0,12%, mientras que la tabla comparativa de ReDimNet2 indica 0,14% para un modelo w2v-BERT 2.0 entrenado con VoxBlink2 más VoxCeleb2, y no pudimos conciliar esas dos entradas exactamente. La reducción de 43,4% de la EER que declara el artículo de VoxBlink2 no coincide con su tabla (de 0,606% a 0,340% es 43,9%), así que no la citamos. Su resumen también imprime el minDCF como 0,006%, donde la tabla imprime 0,006. El artículo de CN-Celeb da 15,52% en su introducción y 16,59% en su tabla para CN-Celeb.E; usamos la tabla. Los resultados más antiguos aquí (de 2017 a mediados de 2023) se señalan como los más recientes disponibles donde no existe un equivalente más nuevo. Los resultados del NIST del próximo ciclo de evaluación cambiarían primero la sección 6. Todos los valores de EER aquí consideran a otros hablantes reales como impostores, así que no dicen nada sobre la resistencia a voces sintéticas.
Última actualización: 31 de octubre de 2026. Actualizamos este resumen trimestralmente, y se espera la próxima revisión cuando el NIST publique los resultados numéricos de su próxima Speaker Recognition Evaluation.