L’erreur de vérification du locuteur sur le test VoxCeleb1 est passée de 8,8% en 2017 (Nagrani et al., article VoxCeleb 2017) à 0,12% dans un article de 2025 (Li, Cheng et Li, article w2v-BERT 2.0 2025), soit une baisse d’un facteur 73 (8,8 / 0,12). La vérification du locuteur est le contrôle « est-ce la même personne ? », et le taux d’erreur égal (EER) en est le score standard. Ce record provient d’une liste fixe de paroles de célébrités tirées de YouTube. Le même domaine rapporte 9,30% lorsque le brouhaha d’une foule est aussi fort que la voix (Gu et al., article Noise-Conditioned Mixture-of-Experts 2025) et 10,419% lorsqu’une même personne est comparée à travers un grand écart d’âge (Qin et al., Interspeech 2022). Nous avons agrégé des données issues des organisateurs du défi VoxSRC, de la NIST Speaker Recognition Evaluation, d’articles d’Interspeech et d’Odyssey, des équipes des corpus VoxBlink2 et CN-Celeb, et des recherches sur l’équité présentées à FAccT. Pour le versant commercial de cette technologie, consultez nos statistiques sur la biométrie vocale, et pour le problème du « qui a parlé quand » qui lui est voisin, notre tour d’horizon du taux d’erreur de diarisation.
TL;DR
- Plus bas EER VoxCeleb1-O trouvé dans un article primaire : 0,12%, obtenu par un modèle d’environ 600 millions de paramètres (Li, Cheng et Li, article w2v-BERT 2.0 2025).
- Un corpus de 111 284 locuteurs a aidé un simple ResNet à atteindre 0,17% d’EER et 0,006 de minDCF (Lin et al., VoxBlink2, Interspeech 2024).
- ReDimNet2-B6 atteint 0,29% d’EER avec 12,3M de paramètres (Yakovlev et Okhotnikov, article ReDimNet2 2026).
- L’EER du premier de la Piste 2 sur le jeu de test VoxSRC fixe de 2019 est passé de 1,26% en 2019 à 0,47% en 2023 (Huh et al., rétrospective VoxSRC 2024).
- Un essai de 2 secondes fait passer ERes2NetV2 de 0,61% à 1,48% d’EER (Chen et al., article ERes2NetV2 2024).
- Le brouhaha à 0 dB fait passer un système de référence ResNet34 de 1,98% à 9,30% d’EER (Gu et al. 2025).
- Les paires présentant de grands écarts d’âge font passer un système de référence de 1,939% à 10,419% d’EER (Qin et al., Interspeech 2022).
- Un écart de 40 ans a porté l’EER masculin à 51,61% dans un corpus finnois, au-delà de la ligne de 50% du tirage à pile ou face (Singh et al., Interspeech 2023).
- Un système x-vector entraîné sur VoxCeleb a obtenu 3,48% sur SITW et 16,59% sur CN-Celeb.E (Li et al., article CN-Celeb 2020).
- Le classement du défi téléphonique SRE24 était mené avec 2,37% d’EER (classement du défi NIST SRE24-CTS, 24 octobre 2024).
- Les femmes représentaient 38% des locuteurs mais 29,5% des énoncés dans le jeu de test VoxCeleb 1 (Hutiri et Ding, FAccT 2022).
1. L’étalon : ce que mesure l’EER et ce que contient VoxCeleb
Un système de vérification reçoit deux enregistrements, appelés un « essai » (trial), et décide s’ils proviennent du même locuteur. Relever le seuil d’acceptation rejette davantage de vrais locuteurs, et l’abaisser accepte davantage d’imposteurs. L’EER est le point où ces deux taux d’erreur coïncident. La métrique associée, minDCF (coût minimal de détection), pondère les deux mêmes erreurs pour un point de fonctionnement choisi, et plus bas est également meilleur. Aucune des deux métriques ne couvre les voix synthétiques ou rejouées : les « imposteurs » sont ici simplement d’autres personnes réelles.
La liste de test classique est petite : 37 720 essais issus de 40 locuteurs (Gu et al., article Noise-Conditioned Mixture-of-Experts 2025). VoxCeleb1-O, nom de cette liste, est facile comparée à ses sœurs plus difficiles : l’erreur d’un modèle quadruple lorsqu’on passe de Vox1-O à Vox1-H (de 0,17% à 0,68%). Les données d’entraînement, elles, ont énormément augmenté, et la section 3 montre pourquoi cela compte davantage que la plupart des changements d’architecture.
| Métrique | Valeur | Source |
|---|---|---|
| Taille de VoxCeleb1 : locuteurs, énoncés, vidéos, heures, nationalités | 1 251 / 153 516 / 22 496 / 352 / 36 | Chung et al., article VoxCeleb2 2018 |
| Partie entraînement de VoxCeleb2 : locuteurs, énoncés, heures, secondes moyennes par énoncé | 5 994 / 1 092 009 / 2 442 / 7,8 | Lin et al., VoxBlink2, Interspeech 2024 |
| Taille de VoxBlink2 : locuteurs, énoncés, heures, secondes moyennes par énoncé | 111 284 / 9 904 382 / 16 672 / 6,0 | Lin et al., VoxBlink2, Interspeech 2024 |
| Taille de CN-Celeb : locuteurs, genres d’enregistrement, heures de CN-Celeb1 plus CN-Celeb2 | 3 000 / 11 / 274 plus 1 090 | Li et al., article CN-Celeb 2020 |
| Liste de test VoxCeleb1-O : essais, locuteurs | 37 720 / 40 | Gu et al., article Noise-Conditioned Mixture-of-Experts 2025 |
| EER d’un modèle sur Vox1-O (liste facile) contre Vox1-E (liste étendue) contre Vox1-H (liste difficile) | 0,17% contre 0,37% contre 0,68% | Lin et al., VoxBlink2, Interspeech 2024 |
Données les plus récentes disponibles pour les chiffres du corpus d’origine : article VoxCeleb2, 2018.
2. Le palmarès du défi VoxSRC, de 2019 à 2023
Le VoxCeleb Speaker Recognition Challenge a eu lieu chaque année de 2019 à 2023, et son meilleur choix de conception a été de conserver le jeu de test de 2019 à l’intérieur de chaque jeu de test ultérieur. Le domaine dispose ainsi d’une règle fixe. Sur celle-ci, l’EER du premier de la Piste 1 est passé de 1,42% en 2019 à 0,57% en 2021, puis a cessé de baisser. Les organisateurs indiquent que les vainqueurs sont sous 1% depuis 2020, « ce que nous considérons comme une saturation des performances », et le nouveau jeu de test de chaque année est resté plus difficile : les vainqueurs de la Piste 1 ont obtenu 3,73%, 1,85%, 1,49% et 1,59% sur leurs propres jeux de 2020 à 2023, le test passant de 208 008 paires et 745 locuteurs en 2019 à 825 437 paires et 2 532 locuteurs en 2023 (Huh et al., rétrospective VoxSRC 2024).
La saturation a un plancher mesurable. Sur ce jeu de 2019, les intervalles de confiance bootstrap à 95% représentaient de 18,6% à 31,2% de l’EER lui-même, de sorte que de petits écarts entre vainqueurs peuvent être du bruit. Sur les 232 paires que tous les vainqueurs de 2022 et 2023 ont ratées, 16 étaient des paires du même locuteur, et 12 de ces 16 étaient des erreurs d’étiquetage dans la liste de test. Les cas difficiles existent aussi : le vainqueur de la Piste 1 en 2022 a obtenu 0,90% sur les paires standard et 2,07% lorsque toutes les paires étaient difficiles (le même locuteur à des âges différents, ou des locuteurs différents dans le même environnement d’enregistrement).
| Métrique | Valeur | Source |
|---|---|---|
| EER du premier de la Piste 1 (données d’entraînement fermées) sur le jeu de test fixe de 2019, 2019 / 2020 / 2021 / 2022 / 2023 | 1,42% / 0,83% / 0,57% / 0,90% / 0,58% | Huh et al., rétrospective VoxSRC 2024 |
| EER du premier de la Piste 2 (données d’entraînement ouvertes) sur le jeu de test fixe de 2019, 2019 / 2020 / 2021 / 2022 / 2023 | 1,26% / 0,80% / 0,57% / 0,69% / 0,47% | Huh et al., rétrospective VoxSRC 2024 |
| Soumission UNISOUND 2023, première de la Piste 1 selon le rapport de l’équipe : EER, minDCF sur le jeu de test 2023 | 1,5880%, 0,0855 | Zheng et al., rapport du système UNISOUND 2023 |
| Soumission ID R&D 2023, première au classement public de la Piste 2 : EER, minDCF à P_target 0,05 | 1,30%, 0,0762 | Torgashov et al., rapport du système ID R&D 2023 |
| Soumission fusionnée ChinaTelecom 2023 en Piste 1, déclarée par l’équipe : EER, minDCF | 1,980%, 0,1066 | Du et al., rapport du système ChinaTelecom 2023 |
Contexte : la dernière édition s’est tenue en 2023, les données les plus récentes disponibles pour ce défi sont donc la rétrospective de 2024. L’EER n’était souvent pas la métrique de classement, ce qui explique qu’une équipe classée deuxième affiche parfois un EER inférieur à celui du vainqueur.
3. Le record VoxCeleb1-O, de 8,8% à 0,12%
Le nombre d’essais rend l’amélioration concrète. Les deux taux d’erreur sont égaux à l’EER au point de fonctionnement, donc le total des erreurs vaut à peu près l’EER multiplié par le nombre d’essais : 8,8% de 37 720 représentent environ 3 319 décisions erronées, et 0,12% environ 45. Un système de 2025 commet environ 45 erreurs là où la référence de 2017 en commettait environ 3 319 (Li, Cheng et Li, article w2v-BERT 2.0 2025). À ce niveau, une poignée d’essais mal étiquetés peut décider d’un record.
Les données font désormais plus bouger le score que l’architecture. W2V-BERT 2.0 est donné à 0,38% lorsqu’il est entraîné sur VoxCeleb2 seul et à 0,14% avec VoxBlink2 ajouté, le même modèle de 587M de paramètres dans les deux lignes (Yakovlev et Okhotnikov, article ReDimNet2 2026). Les recettes comptent aussi : ResNet34 est passé de 1,31% dans l’original cité à 0,723% dans la réimplémentation de la boîte à outils WeSpeaker. Ces mêmes plongements (embeddings) servent aussi de juges dans la recherche sur la conversion de voix, que notre tour d’horizon de la similarité du locuteur en conversion de voix examine.
| Métrique | Valeur | Source |
|---|---|---|
| 2017 : référence i-vector plus PLDA sur le test VoxCeleb1, EER et coût minimal de détection | 8,8%, 0,73 | Nagrani et al., article VoxCeleb 2017 |
| 2018 : ResNet-50 entraîné sur VoxCeleb2, EER et coût minimal de détection | 3,95%, 0,429 | Chung et al., article VoxCeleb2 2018 |
| 2020 : ECAPA-TDNN à 1 024 canaux, EER et minDCF | 0,87%, 0,1066 | Desplanques et al., Interspeech 2020 |
| 2022 : ResNet293 dans la boîte à outils WeSpeaker, EER et minDCF | 0,447%, 0,043 | Wang et al., article WeSpeaker 2022 |
| 2024 : SimAM-ResNet293 pré-entraîné sur VoxBlink2, avec calibration de la qualité, EER et minDCF | 0,17%, 0,006 | Lin et al., VoxBlink2, Interspeech 2024 |
| 2025 : w2v-BERT 2.0 sur Vox1-O contre Vox1-H, EER | 0,12% contre 0,55% | Li, Cheng et Li, article w2v-BERT 2.0 2025 |
| 2026 : ReDimNet2-B6, EER, paramètres, GMAC (milliards d’opérations de multiplication-accumulation) pour 2 secondes d’entrée | 0,29%, 12,3M, 13,05 | Yakovlev et Okhotnikov, article ReDimNet2 2026 |
| 2026 : ReDimNet2-B0, le plus petit modèle de la famille, EER et paramètres | 1,04%, 1,1M | Yakovlev et Okhotnikov, article ReDimNet2 2026 |
Note sur les valeurs atypiques : les auteurs de w2v-BERT 2.0 rapportent que l’élagage a réduit la taille du modèle de 80% pour seulement 0,04% de dégradation de l’EER, de sorte que les plus gros modèles n’ont peut-être pas besoin de le rester.
4. Clips courts et audio bruité
Réduire un clip de test à 2 secondes fait plus que doubler l’erreur d’un modèle de pointe, de 0,61% à 1,48% (Chen et al., article ERes2NetV2 2024). Cela compte pour tout produit fondé sur une brève phrase prononcée, puisque le chiffre d’affichage sous 1% concerne les clips de pleine durée. L’inverse est vrai aussi : avec des paires VoxSRC de plus de 8 secondes, le vainqueur de la Piste 2 en 2023 n’avait presque plus d’erreurs.
Le bruit suit une courbe abrupte, pas une droite. Le « babble » désigne le brouhaha de foule en arrière-plan, et le SNR (rapport signal sur bruit) mesure la voix par rapport au bruit, de sorte que 0 dB signifie que les deux sont aussi forts l’un que l’autre. Un système de référence ResNet34 bouge à peine à 20 dB, puis son erreur grimpe de plus de quatre fois à 0 dB (Gu et al., article Noise-Conditioned Mixture-of-Experts 2025). Le brouhaha de foule a nui davantage que la musique, probablement parce que c’est le même type de signal que celui que le modèle est entraîné à identifier.
| Métrique | Valeur | Source |
|---|---|---|
| EER d’ERes2NetV2 sur VoxCeleb1-O : essais de pleine durée contre de 3 secondes contre de 2 secondes | 0,61% contre 0,98% contre 1,48% | Chen et al., article ERes2NetV2 2024 |
| EER d’ECAPA-TDNN sur VoxCeleb1-O : essais de 3 secondes contre de 2 secondes | 1,27% contre 1,95% | Chen et al., article ERes2NetV2 2024 |
| EER de ResNet34 sur VoxCeleb1-O : essais de 3 secondes contre de 2 secondes | 1,47% contre 2,12% | Chen et al., article ERes2NetV2 2024 |
| EER du vainqueur de la Piste 2 VoxSRC 2023 sur le jeu de test 2019 : toutes les paires contre paires de plus de 6 secondes contre paires de plus de 8 secondes | 0,47% contre 0,26% contre 0,03% | Huh et al., rétrospective VoxSRC 2024 |
| Segments de test SRE24 où les systèmes ont eu le plus de difficultés, et seuil au-delà duquel les gains diminuent | 4,5 à 13 secondes ; gains plus faibles au-delà de 22,6 secondes | Singer et al., Odyssey 2026 |
| EER du système de référence ResNet34 sur le test VoxCeleb1 : propre contre brouhaha à 20 dB contre brouhaha à 0 dB | 1,98% contre 2,18% contre 9,30% | Gu et al., article Noise-Conditioned Mixture-of-Experts 2025 |
| Même système de référence à 0 dB : musique contre bruit général | 5,82% contre 7,3% | Gu et al., article Noise-Conditioned Mixture-of-Experts 2025 |
| Même système de référence à 0 dB avec le bruit Nonspeech100, et modèle conditionné par le bruit avec brouhaha à 0 dB | 10,17% ; 8,10% | Gu et al., article Noise-Conditioned Mixture-of-Experts 2025 |
Contexte : les résultats sur le bruit ne se transposent pas d’un article à l’autre. Une étude de l’Université de Séoul a mesuré ECAPA-TDNN à 3,46% en conditions propres et 13,01% avec du brouhaha à 0 dB (Kim et al., article PAS 2023), avec une configuration d’entraînement différente, il faut donc comparer la hausse au sein de chaque étude plutôt que les valeurs absolues.
5. Âge, corpus et décalage de domaine
Un record sur VoxCeleb1-O dit peu de choses d’une voix enregistrée à des années d’intervalle ou dans un autre contexte. Choisir des paires du même locuteur avec de grands écarts d’âge a fait passer un système de référence de 1,939% à 10,419% d’EER (Qin et al., Interspeech 2022). Un corpus longitudinal finnois montre l’extrémité longue de cette courbe : pour un écart de 40 ans, l’EER masculin de 51,61% est pire que le hasard (Singh et al., Interspeech 2023). Ce corpus est petit, avec 109 locuteurs après prétraitement, et les âges de VoxCeleb sont estimés plutôt qu’enregistrés ; lisez donc le sens avec plus de confiance que les valeurs exactes.
Le décalage de domaine est le risque commercial le plus important, car il arrive en silence. Le x-vector entraîné sur VoxCeleb de l’article CN-Celeb a vu son erreur presque quintupler sur de l’audio chinois multi-genres (16,59 / 3,48 = 4,8). Le réentraînement sur le nouveau domaine aide mais ne comble pas l’écart : la même recette ECAPA-TDNN montrait encore plus de neuf fois l’erreur sur CN-Celeb que sur VoxCeleb (8,877 / 0,936 = 9,5).
| Métrique | Valeur | Source |
|---|---|---|
| EER d’un système de référence sur le test Vox-H contre Vox-CA20, un test de paires à grands écarts d’âge | 1,939% contre 10,419% | Qin et al., Interspeech 2022 |
| EER d’ECAPA-TDNN sur VoxCeleb1-Age-Enriched (États-Unis) pour des écarts d’âge de 3 / 6 / 9 ans, locuteurs masculins | 2,31% / 2,84% / 3,63% | Singh et al., Interspeech 2023 |
| Même test pour des écarts d’âge de 3 / 6 / 9 ans, locutrices | 2,70% / 3,12% / 3,87% | Singh et al., Interspeech 2023 |
| EER du corpus longitudinal finnois (LCFSH) pour des écarts d’âge de 0 / 20 / 40 ans, locuteurs masculins | 5,12% / 18,68% / 51,61% | Singh et al., Interspeech 2023 |
| Même corpus pour des écarts d’âge de 0 / 20 / 40 ans, locutrices | 10,04% / 21,67% / 40,61% | Singh et al., Interspeech 2023 |
| EER d’un x-vector entraîné sur VoxCeleb sur le jeu de test SITW contre CN-Celeb.E (un jeu d’évaluation de CN-Celeb) | 3,48% contre 16,59% | Li et al., article CN-Celeb 2020 |
| ECAPA-TDNN avec perte AM-Softmax : test VoxCeleb1 contre évaluation CN-Celeb, chacun entraîné sur son propre domaine | 0,936% contre 8,877% | Wang et al., article DASA 2023 |
| Piste d’adaptation de domaine VoxSRC 2023 sur CNCeleb : référence contre première place, EER | 13,11% contre 4,95% | Huh et al., rétrospective VoxSRC 2024 |
Données les plus récentes disponibles pour le vieillissement à long terme : Singh et al., Interspeech 2023.
6. NIST SRE : le référentiel plus difficile, sans chiffres d’affichage
Le NIST mène ces évaluations depuis 1996, et elles ne ressemblent en rien à des interviews YouTube. SRE24 a utilisé un nouveau corpus collecté hors d’Amérique du Nord, de la parole téléphonique et de l’audio extrait de vidéos, en arabe tunisien, en anglais et en français. Le leader du défi téléphonique SRE24 était à 2,37% d’EER, environ 20 fois le record VoxCeleb1-O (2,37 / 0,12 = 19,8) (site NIST SRE24), bien que les deux tests diffèrent trop pour que ce rapport mesure autre chose que la difficulté.
L’analyse des 91 systèmes SRE24 soumis a montré que les essais téléphoniques appariés surpassaient systématiquement les essais audio-de-vidéo appariés, et que le type de source comptait plus que l’inadéquation de langue. Trois segments d’enrôlement valaient généralement mieux qu’un seul, même à quantité totale de parole égale, et la plupart des systèmes montraient des différences limitées entre les sexes sur les essais de même sexe (Singer et al., Odyssey 2026). Des données d’entraînement non restreintes ont apporté des gains significatifs, et des modèles seuls ont rivalisé avec des fusions (Greenberg et al., Interspeech 2025). Les chiffres du tableau ci-dessous montrent l’autre leçon : un système incapable de fixer son propre seuil n’est pas prêt, quel que soit son coût minimal.
| Métrique | Valeur | Source |
|---|---|---|
| Défi téléphonique SRE19 : organisations, équipes, sorties de système valides | 67 / 51 / 1 347 | Sadjadi et al., NIST SRE19 CTS Challenge, Odyssey 2020 |
| Test audio SRE21 : essais cibles contre essais non cibles | 132 038 contre 5 899 731 | Sadjadi et al., NIST SRE21 2022 |
| SRE24 : équipes, organisations, systèmes soumis | 11 / 26 / 91 | Singer et al., Odyssey 2026 |
| Première ligne du classement SRE24-CTS au 24 octobre 2024 : EER, coût minimal, coût réel | 2,37%, 0,102, 0,106 | Classement du défi NIST SRE24-CTS 2024 |
| Autre soumission de ce classement : EER, coût minimal, coût réel (un système trivial obtient 1) | 3,00%, 0,080, 1,000 | Classement du défi NIST SRE24-CTS 2024 |
| Système SRE21 soumis par HCCL, jeu de développement contre jeu d’évaluation : EER | 2,27% contre 3,05% | Li et al., système HCCL, Interspeech 2022 |
| Même système, jeu de développement contre jeu d’évaluation : coût réel | 0,170 contre 0,560 | Li et al., système HCCL, Interspeech 2022 |
Contexte : les articles de synthèse et d’analyse SRE24 présentent les résultats sous forme de graphiques, sans valeurs d’EER imprimées, de sorte que le classement est la fenêtre numérique sur ce cycle. Données les plus récentes disponibles pour les résultats numériques officiels : classement du défi NIST SRE24-CTS, 2024.
7. Équité : qui le référentiel mesure-t-il
Un score de référence unique peut masquer un taux de faux positifs d’un groupe atteignant 13 fois le taux global. Au seuil de coût minimal global, les locutrices indiennes avaient un taux de faux positifs égal à 13,0387 fois le taux global dans une étude du flux de travail du VoxCeleb Speaker Recognition Challenge (Hutiri et Ding, FAccT 2022). La composition des données aide à l’expliquer : le jeu de test VoxCeleb 1 compte 62,5% de locuteurs américains, et les femmes représentent 38% des locuteurs mais 29,5% des énoncés.
Le sens de l’écart entre les sexes n’est pas fixe, et c’est le constat utile. Les vainqueurs de VoxSRC ont mieux réussi sur les hommes, une étude d’Amazon a mieux réussi sur les femmes, et une expérience contrôlée montre que la composition de l’entraînement peut créer un écart à elle seule. Le même schéma apparaît dans les outils de parole au niveau du mot, comme le documente notre tour d’horizon du biais d’accent en reconnaissance vocale.
| Métrique | Valeur | Source |
|---|---|---|
| Jeu de test VoxCeleb 1 : part des Américains parmi les locuteurs ; part des femmes parmi les locuteurs ; part des femmes parmi les énoncés | 62,5% ; 38% ; 29,5% | Hutiri et Ding, FAccT 2022 |
| Jeu d’entraînement VoxCeleb 2 : part des hommes ; part des Américains | 61% ; 29% | Hutiri et Ding, FAccT 2022 |
| Locutrices indiennes contre taux global : rapport de faux positifs ; rapport de faux négatifs | 13,0387 fois ; 1,2497 fois | Hutiri et Ding, FAccT 2022 |
| Vainqueurs VoxSRC 2023 sur le jeu de test 2019, EER hommes contre femmes : Piste 1 ; Piste 2 | 0,57% contre 0,69% ; 0,43% contre 0,59% | Huh et al., rétrospective VoxSRC 2024 |
| Système à repondération adversariale, EER hommes contre femmes | 1,25% contre 0,67% | Jin et al., Interspeech 2022 |
| Même étude, écart entre les groupes de sexe avant contre après repondération | 0,70% contre 0,58% | Jin et al., Interspeech 2022 |
| Même étude, EER pour les États-Unis contre le Royaume-Uni contre toutes les autres nationalités | 1,04% contre 0,76% contre 1,22% | Jin et al., Interspeech 2022 |
| Système de référence ResNet-34 (quart de canaux) entraîné sur un mélange de 9 femmes pour 1 homme, EER femmes contre hommes | 3,52% contre 7,22% | Shen et al., ICASSP 2022 |
Données les plus récentes disponibles pour les rapports d’erreur par sous-groupe : Hutiri et Ding, FAccT 2022. Par ailleurs, Estevez et Ferrer ont constaté que les performances étaient « nettement dégradées » pour les groupes sous-représentés à l’entraînement, et qu’un simple rééquilibrage des données réduisait le biais sans pénaliser les groupes majoritaires (Study on the Fairness of Speaker Verification Systems).
Résumé : le taux d’erreur égal VoxCeleb en vérification du locuteur en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Plus bas EER VoxCeleb1-O trouvé dans un article primaire | 0,12% | Li, Cheng et Li, article w2v-BERT 2.0 2025 |
| Même système sur la liste difficile Vox1-H | 0,55% | Li, Cheng et Li, article w2v-BERT 2.0 2025 |
| SimAM-ResNet293 sur VoxCeleb1-O avec pré-entraînement VoxBlink2 et calibration de la qualité, EER et minDCF | 0,17%, 0,006 | Lin et al., VoxBlink2, Interspeech 2024 |
| Locuteurs de VoxBlink2 contre locuteurs de VoxCeleb2 | 111 284 contre 5 994 | Lin et al., VoxBlink2, Interspeech 2024 |
| EER et paramètres de ReDimNet2-B6 | 0,29%, 12,3M | Yakovlev et Okhotnikov, article ReDimNet2 2026 |
| ECAPA-TDNN à 1 024 canaux, EER | 0,87% | Desplanques et al., Interspeech 2020 |
| EER du premier de la Piste 2 VoxSRC sur le jeu de test fixe de 2019, 2019 contre 2023 | 1,26% contre 0,47% | Huh et al., rétrospective VoxSRC 2024 |
| EER d’ERes2NetV2 sur essais de pleine durée contre de 2 secondes | 0,61% contre 1,48% | Chen et al., article ERes2NetV2 2024 |
| EER du système de référence ResNet34, propre contre brouhaha à 0 dB | 1,98% contre 9,30% | Gu et al., article Noise-Conditioned Mixture-of-Experts 2025 |
| EER d’un système de référence sur Vox-H contre Vox-CA20 (grands écarts d’âge) | 1,939% contre 10,419% | Qin et al., Interspeech 2022 |
| EER masculin pour un écart d’âge de 0 an contre 40 ans, corpus finnois | 5,12% contre 51,61% | Singh et al., Interspeech 2023 |
| EER d’un x-vector entraîné sur VoxCeleb sur SITW contre CN-Celeb.E | 3,48% contre 16,59% | Li et al., article CN-Celeb 2020 |
| EER d’ECAPA-TDNN sur VoxCeleb1 contre évaluation CN-Celeb, chacun entraîné sur son propre domaine | 0,936% contre 8,877% | Wang et al., article DASA 2023 |
| Première ligne du classement SRE24-CTS, EER | 2,37% | Classement du défi NIST SRE24-CTS 2024 |
| Coût réel HCCL SRE21, jeu de développement contre jeu d’évaluation | 0,170 contre 0,560 | Li et al., système HCCL, Interspeech 2022 |
| Jeu de test VoxCeleb 1, part des femmes parmi les locuteurs contre les énoncés | 38% contre 29,5% | Hutiri et Ding, FAccT 2022 |
| Taux de faux positifs des locutrices indiennes contre taux global | 13,0387 fois | Hutiri et Ding, FAccT 2022 |
| Système à repondération adversariale, EER hommes contre femmes | 1,25% contre 0,67% | Jin et al., Interspeech 2022 |
Méthodologie et sources
Chaque chiffre a été lu dans un article primaire, un rapport de défi ou une page du NIST au cours de cette recherche. Les valeurs d’EER et de coût sont citées telles que chaque source les imprime. Les rapports et les nombres de décisions erronées relèvent de notre propre arithmétique, avec le calcul indiqué. Aucune donnée VoxBooster n’est utilisée.
- Huh et al., The VoxCeleb Speaker Recognition Challenge: A Retrospective, 2024
- Nagrani, Chung et Zisserman, VoxCeleb: a large-scale speaker identification dataset, Interspeech 2017
- Chung, Nagrani et Zisserman, VoxCeleb2: Deep Speaker Recognition, Interspeech 2018
- Desplanques, Thienpondt et Demuynck, ECAPA-TDNN, Interspeech 2020
- Wang et al., article sur la boîte à outils WeSpeaker, 2022
- Lin et al., VoxBlink2, Interspeech 2024
- Li, Cheng et Li, w2v-BERT 2.0 et élagage structuré, 2025
- Yakovlev et Okhotnikov, ReDimNet2, 2026
- Zheng et al., système UNISOUND pour VoxSRC 2023
- Torgashov et al., système ID R&D pour VoxSRC 2023
- Du, Fang et Li, système ChinaTelecom pour VoxSRC 2023
- Chen et al., ERes2NetV2, 2024
- Gu et al., Noise-Conditioned Mixture-of-Experts Framework, 2025
- Kim et al., article sur l’augmentation PAS, 2023
- Qin et al., Cross-Age Speaker Verification, Interspeech 2022
- Singh, Sahidullah et Kinnunen, Speaker Verification Across Ages, Interspeech 2023
- Li et al., CN-Celeb: multi-genre speaker recognition, 2020
- Wang et al., article DASA, 2023
- Site de la NIST Speaker Recognition Evaluation et classement du défi SRE24-CTS
- 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 et 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 et Ferrer, Study on the Fairness of Speaker Verification Systems Across Accent and Gender Groups
- Qu et al., Fair-Gate, 2026
- Note sur les données : les records VoxCeleb1-O ne sont pas parfaitement comparables, car certains articles utilisent une version nettoyée du protocole, et certains ajoutent une normalisation des scores ou une calibration de la qualité. Le seul chiffre d’ECAPA-TDNN varie selon l’article : 0,87% dans l’original, 0,728% dans WeSpeaker, 0,94% dans le tableau de ReDimNet2 et 1,12% dans l’article Fair-Gate de 2026. Les auteurs de w2v-BERT 2.0 rapportent 0,12%, tandis que le tableau comparatif de ReDimNet2 indique 0,14% pour un modèle w2v-BERT 2.0 entraîné sur VoxBlink2 plus VoxCeleb2, et nous n’avons pas pu faire correspondre exactement ces deux entrées. La réduction d’EER de 43,4% annoncée par l’article VoxBlink2 ne correspond pas à son tableau (de 0,606% à 0,340%, on obtient 43,9%), nous ne la citons donc pas. Son résumé imprime aussi le minDCF sous la forme 0,006%, là où le tableau imprime 0,006. L’article CN-Celeb donne 15,52% dans son introduction et 16,59% dans son tableau pour CN-Celeb.E ; nous utilisons le tableau. Les résultats plus anciens ici (de 2017 à mi-2023) sont signalés comme les plus récents disponibles lorsqu’il n’existe pas d’équivalent plus récent. Les résultats NIST du prochain cycle d’évaluation modifieraient d’abord la section 6. Toutes les valeurs d’EER ici concernent d’autres locuteurs réels comme imposteurs, elles ne disent donc rien de la résistance aux voix synthétiques.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque le NIST publiera les résultats numériques de sa prochaine Speaker Recognition Evaluation.