O erro de verificação de locutor no teste do VoxCeleb1 caiu de 8,8% em 2017 (Nagrani et al., artigo VoxCeleb, 2017) para 0,12% em um artigo de 2025 (Li, Cheng e Li, artigo w2v-BERT 2.0, 2025), uma queda de 73 vezes (8,8 / 0,12). A verificação de locutor é a checagem “esta é a mesma pessoa?”, e a taxa de erro igual (EER) é sua pontuação padrão. Esse recorde vem de uma lista fixa de falas de celebridades extraídas do YouTube. O mesmo campo registra 9,30% quando o burburinho de uma multidão é tão alto quanto a voz (Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025) e 10,419% quando uma mesma pessoa é comparada com uma grande diferença de idade (Qin et al., Interspeech 2022). Reunimos dados dos organizadores do desafio VoxSRC, da NIST Speaker Recognition Evaluation, de artigos do Interspeech e do Odyssey, das equipes dos corpora VoxBlink2 e CN-Celeb e de pesquisas de equidade do FAccT. Para o lado comercial dessa tecnologia, veja nossas estatísticas de biometria de voz, e para o problema de “quem falou quando”, que fica ao lado deste, veja nosso levantamento sobre taxa de erro de diarização de locutores.
TL;DR
- Menor EER no VoxCeleb1-O que encontramos em um artigo primário: 0,12%, de um modelo com cerca de 600 milhões de parâmetros (Li, Cheng e Li, artigo w2v-BERT 2.0, 2025).
- Um corpus de 111.284 locutores ajudou a levar uma única ResNet a 0,17% de EER e 0,006 de minDCF (Lin et al., VoxBlink2, Interspeech 2024).
- O ReDimNet2-B6 chega a 0,29% de EER com 12,3M de parâmetros (Yakovlev e Okhotnikov, artigo ReDimNet2, 2026).
- A EER do primeiro lugar no Track 2 no conjunto de teste fixo do VoxSRC de 2019 caiu de 1,26% em 2019 para 0,47% em 2023 (Huh et al., retrospectiva do VoxSRC, 2024).
- Uma comparação de 2 segundos eleva o ERes2NetV2 de 0,61% para 1,48% de EER (Chen et al., artigo ERes2NetV2, 2024).
- Babble a 0 dB eleva uma linha de base ResNet34 de 1,98% para 9,30% de EER (Gu et al., 2025).
- Pares com grandes diferenças de idade elevam uma linha de base de 1,939% para 10,419% de EER (Qin et al., Interspeech 2022).
- Uma diferença de 40 anos levou a EER masculina a 51,61% em um corpus finlandês, além da linha de 50% do cara ou coroa (Singh et al., Interspeech 2023).
- Um sistema x-vector treinado no VoxCeleb marcou 3,48% no SITW e 16,59% no CN-Celeb.E (Li et al., artigo CN-Celeb, 2020).
- O ranking do desafio telefônico SRE24 era liderado por 2,37% de EER (ranking do NIST SRE24-CTS Challenge, 24 de outubro de 2024).
- As mulheres eram 38% dos locutores mas 29,5% dos enunciados no conjunto de teste do VoxCeleb 1 (Hutiri e Ding, FAccT 2022).
1. A Régua: O Que a EER Mede e O Que o VoxCeleb Contém
Um sistema de verificação recebe duas gravações, chamadas de “trial” (comparação), e decide se vêm do mesmo locutor. Elevar o limiar de aceitação rejeita mais locutores reais, e baixá-lo aceita mais impostores. A EER é o ponto em que essas duas taxas de erro se igualam. A métrica complementar, minDCF (custo mínimo de detecção), pondera os mesmos dois erros para um ponto de operação escolhido, e menor também é melhor. Nenhuma das métricas cobre vozes sintéticas ou reproduzidas: os “impostores” aqui são simplesmente outras pessoas reais.
A lista de teste clássica é pequena: 37.720 comparações de 40 locutores (Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025). O VoxCeleb1-O, nome dessa lista, é fácil em comparação com suas irmãs mais difíceis: o erro de um modelo quadruplica ao passar do Vox1-O para o Vox1-H (0,17% para 0,68%). Já os dados de treinamento cresceram enormemente, e a seção 3 mostra por que isso importa mais do que a maioria das mudanças de arquitetura.
| Métrica | Valor | Fonte |
|---|---|---|
| Tamanho do VoxCeleb1: locutores, enunciados, vídeos, horas, nacionalidades | 1.251 / 153.516 / 22.496 / 352 / 36 | Chung et al., artigo VoxCeleb2, 2018 |
| Parte de treinamento do VoxCeleb2: locutores, enunciados, horas, segundos médios por enunciado | 5.994 / 1.092.009 / 2.442 / 7,8 | Lin et al., VoxBlink2, Interspeech 2024 |
| Tamanho do VoxBlink2: locutores, enunciados, horas, segundos médios por enunciado | 111.284 / 9.904.382 / 16.672 / 6,0 | Lin et al., VoxBlink2, Interspeech 2024 |
| Tamanho do CN-Celeb: locutores, gêneros de gravação, horas no CN-Celeb1 mais CN-Celeb2 | 3.000 / 11 / 274 mais 1.090 | Li et al., artigo CN-Celeb, 2020 |
| Lista de teste do VoxCeleb1-O: comparações, locutores | 37.720 / 40 | Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025 |
| EER de um modelo no Vox1-O (lista fácil) vs Vox1-E (lista estendida) vs Vox1-H (lista difícil) | 0,17% vs 0,37% vs 0,68% | Lin et al., VoxBlink2, Interspeech 2024 |
Dados mais recentes disponíveis para os números originais do corpus: artigo VoxCeleb2, 2018.
2. O Histórico do Desafio VoxSRC, de 2019 a 2023
O VoxCeleb Speaker Recognition Challenge foi realizado todos os anos de 2019 a 2023, e sua melhor decisão de projeto foi manter o conjunto de teste de 2019 dentro de todos os conjuntos de teste posteriores. Isso dá ao campo uma régua fixa. Nela, a EER do primeiro lugar no Track 1 caiu de 1,42% em 2019 para 0,57% em 2021 e depois parou de cair. Os organizadores dizem que os vencedores estão abaixo de 1% desde 2020, “o que consideramos saturação de desempenho”, e o novo conjunto de teste de cada ano continuou mais difícil: os vencedores do Track 1 marcaram 3,73%, 1,85%, 1,49% e 1,59% nos próprios conjuntos de 2020 a 2023, à medida que o teste cresceu de 208.008 pares e 745 locutores em 2019 para 825.437 pares e 2.532 locutores em 2023 (Huh et al., retrospectiva do VoxSRC, 2024).
A saturação tem um piso mensurável. Nesse conjunto de 2019, os intervalos de confiança bootstrap de 95% tinham largura equivalente a 18,6% a 31,2% da própria EER, então pequenas diferenças entre vencedores podem ser ruído. Dos 232 pares que todos os vencedores de 2022 e 2023 erraram, 16 eram pares do mesmo locutor, e 12 desses 16 eram erros de rótulo na lista de teste. Os casos difíceis também são reais: o vencedor do Track 1 de 2022 marcou 0,90% em pares padrão e 2,07% quando todo par era difícil (o mesmo locutor em idades diferentes, ou locutores diferentes no mesmo ambiente de gravação).
| Métrica | Valor | Fonte |
|---|---|---|
| EER do primeiro lugar no Track 1 (dados de treinamento fechados) no conjunto de teste fixo de 2019, 2019 / 2020 / 2021 / 2022 / 2023 | 1,42% / 0,83% / 0,57% / 0,90% / 0,58% | Huh et al., retrospectiva do VoxSRC, 2024 |
| EER do primeiro lugar no Track 2 (dados de treinamento abertos) no conjunto de teste fixo de 2019, 2019 / 2020 / 2021 / 2022 / 2023 | 1,26% / 0,80% / 0,57% / 0,69% / 0,47% | Huh et al., retrospectiva do VoxSRC, 2024 |
| Entrada da UNISOUND em 2023, primeira no Track 1 segundo o relatório da equipe: EER, minDCF no conjunto de teste de 2023 | 1,5880%, 0,0855 | Zheng et al., relatório do sistema UNISOUND, 2023 |
| Entrada da ID R&D em 2023, primeira no ranking público do Track 2: EER, minDCF com P_target 0,05 | 1,30%, 0,0762 | Torgashov et al., relatório do sistema ID R&D, 2023 |
| Entrada fundida da ChinaTelecom no Track 1 em 2023, autodeclarada: EER, minDCF | 1,980%, 0,1066 | Du et al., relatório do sistema ChinaTelecom, 2023 |
Contexto: a última edição foi realizada em 2023, então os dados mais recentes disponíveis para este desafio são a retrospectiva de 2024. A EER muitas vezes não era a métrica de classificação, razão pela qual a equipe em segundo lugar às vezes mostra uma EER menor que a do vencedor.
3. O Recorde no VoxCeleb1-O, de 8,8% a 0,12%
O número de comparações torna a melhoria concreta. As duas taxas de erro são iguais à EER no ponto de operação, então o total de erros é aproximadamente a EER vezes o número de comparações: 8,8% de 37.720 dá cerca de 3.319 decisões erradas, e 0,12% dá cerca de 45. Um sistema de 2025 comete cerca de 45 erros onde a linha de base de 2017 cometia cerca de 3.319 (Li, Cheng e Li, artigo w2v-BERT 2.0, 2025). Nesse nível, um punhado de comparações com rótulo errado pode decidir um recorde.
Os dados agora movem a pontuação mais do que a arquitetura. O W2V-BERT 2.0 aparece com 0,38% quando treinado só com o VoxCeleb2 e 0,14% com o VoxBlink2 adicionado, o mesmo modelo de 587M parâmetros nas duas linhas (Yakovlev e Okhotnikov, artigo ReDimNet2, 2026). As receitas de treinamento também importam: o ResNet34 passou de 1,31% no original citado para 0,723% na reimplementação do toolkit WeSpeaker. Esses mesmos embeddings também servem de juízes em pesquisas de conversão de voz, que nosso levantamento sobre similaridade de locutor na conversão de voz examina.
| Métrica | Valor | Fonte |
|---|---|---|
| 2017: linha de base i-vector mais PLDA no teste do VoxCeleb1, EER e custo mínimo de detecção | 8,8%, 0,73 | Nagrani et al., artigo VoxCeleb, 2017 |
| 2018: ResNet-50 treinado no VoxCeleb2, EER e custo mínimo de detecção | 3,95%, 0,429 | Chung et al., artigo VoxCeleb2, 2018 |
| 2020: ECAPA-TDNN com 1.024 canais, EER e minDCF | 0,87%, 0,1066 | Desplanques et al., Interspeech 2020 |
| 2022: ResNet293 no toolkit WeSpeaker, EER e minDCF | 0,447%, 0,043 | Wang et al., artigo WeSpeaker, 2022 |
| 2024: SimAM-ResNet293 pré-treinado no VoxBlink2, com calibração de qualidade, EER e minDCF | 0,17%, 0,006 | Lin et al., VoxBlink2, Interspeech 2024 |
| 2025: w2v-BERT 2.0 no Vox1-O vs Vox1-H, EER | 0,12% vs 0,55% | Li, Cheng e Li, artigo w2v-BERT 2.0, 2025 |
| 2026: ReDimNet2-B6, EER, parâmetros, GMACs (bilhões de operações de multiplicação-acumulação) para 2 segundos de entrada | 0,29%, 12,3M, 13,05 | Yakovlev e Okhotnikov, artigo ReDimNet2, 2026 |
| 2026: ReDimNet2-B0, o menor modelo da família, EER e parâmetros | 1,04%, 1,1M | Yakovlev e Okhotnikov, artigo ReDimNet2, 2026 |
Nota sobre um caso atípico: os autores do w2v-BERT 2.0 relatam que a poda reduziu o tamanho do modelo em 80% com apenas 0,04% de degradação da EER, então os maiores modelos talvez não precisem continuar grandes.
4. Clipes Curtos e Áudio com Ruído
Cortar um clipe de teste para 2 segundos mais que dobra o erro de um modelo líder, de 0,61% para 1,48% (Chen et al., artigo ERes2NetV2, 2024). Isso importa para qualquer produto baseado em uma frase falada curta, já que o título abaixo de 1% pertence a clipes de duração completa. O inverso também vale: com pares do VoxSRC mais longos que 8 segundos, o vencedor do Track 2 de 2023 quase ficou sem erros.
O ruído segue uma curva íngreme, não uma reta. “Babble” significa o burburinho de fundo de uma multidão, e a SNR (relação sinal-ruído) mede a voz contra o ruído, então 0 dB significa que os dois têm o mesmo volume. Uma linha de base ResNet34 quase não se move a 20 dB, e então seu erro sobe mais de quatro vezes a 0 dB (Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025). O burburinho de multidão prejudicou mais do que a música, provavelmente porque é o mesmo tipo de sinal que o modelo é treinado para identificar.
| Métrica | Valor | Fonte |
|---|---|---|
| EER do ERes2NetV2 no VoxCeleb1-O: comparações de duração completa vs 3 segundos vs 2 segundos | 0,61% vs 0,98% vs 1,48% | Chen et al., artigo ERes2NetV2, 2024 |
| EER do ECAPA-TDNN no VoxCeleb1-O: comparações de 3 segundos vs 2 segundos | 1,27% vs 1,95% | Chen et al., artigo ERes2NetV2, 2024 |
| EER do ResNet34 no VoxCeleb1-O: comparações de 3 segundos vs 2 segundos | 1,47% vs 2,12% | Chen et al., artigo ERes2NetV2, 2024 |
| EER do vencedor do Track 2 do VoxSRC 2023 no conjunto de teste de 2019: todos os pares vs pares com mais de 6 segundos vs pares com mais de 8 segundos | 0,47% vs 0,26% vs 0,03% | Huh et al., retrospectiva do VoxSRC, 2024 |
| Segmentos de teste do SRE24 em que os sistemas mais tiveram dificuldade, e o ponto acima do qual os ganhos diminuem | 4,5 a 13 segundos; ganhos menores acima de 22,6 segundos | Singer et al., Odyssey 2026 |
| EER da linha de base ResNet34 no teste do VoxCeleb1: limpo vs babble a 20 dB vs babble a 0 dB | 1,98% vs 2,18% vs 9,30% | Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025 |
| Mesma linha de base a 0 dB: música vs ruído geral | 5,82% vs 7,3% | Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025 |
| Mesma linha de base a 0 dB com ruído Nonspeech100, e o modelo condicionado a ruído com babble a 0 dB | 10,17%; 8,10% | Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025 |
Contexto: os resultados de ruído não se transferem de um artigo para outro. Um estudo da Universidade de Seul mediu o ECAPA-TDNN em 3,46% limpo e 13,01% com babble a 0 dB (Kim et al., artigo PAS, 2023), com uma configuração de treinamento diferente, então compare o aumento dentro de cada estudo em vez dos valores absolutos.
5. Idade, Corpus e Descompasso de Domínio
Um recorde no VoxCeleb1-O diz pouco sobre uma voz gravada com anos de diferença ou em outro cenário. Escolher pares do mesmo locutor com grandes diferenças de idade elevou uma linha de base de 1,939% para 10,419% de EER (Qin et al., Interspeech 2022). Um corpus longitudinal finlandês mostra a ponta longa dessa curva: com 40 anos de diferença, a EER masculina de 51,61% é pior do que um palpite (Singh et al., Interspeech 2023). Esse corpus é pequeno, com 109 locutores após o pré-processamento, e as idades do VoxCeleb são estimadas, não registradas, então leia a direção com mais confiança do que os valores exatos.
A mudança de domínio é o maior risco comercial, porque chega em silêncio. O x-vector treinado no VoxCeleb do artigo CN-Celeb viu seu erro subir quase cinco vezes em áudio chinês multigênero (16,59 / 3,48 = 4,8). Retreinar no novo domínio ajuda, mas não fecha a lacuna: a mesma receita de ECAPA-TDNN ainda mostrou mais de nove vezes o erro no CN-Celeb que mostrou no VoxCeleb (8,877 / 0,936 = 9,5).
| Métrica | Valor | Fonte |
|---|---|---|
| EER da linha de base no teste Vox-H vs Vox-CA20, um teste de pares com grandes diferenças de idade | 1,939% vs 10,419% | Qin et al., Interspeech 2022 |
| EER do ECAPA-TDNN no VoxCeleb1-Age-Enriched (EUA) com 3 / 6 / 9 anos de diferença de idade, locutores do sexo masculino | 2,31% / 2,84% / 3,63% | Singh et al., Interspeech 2023 |
| Mesmo teste com 3 / 6 / 9 anos de diferença de idade, locutores do sexo feminino | 2,70% / 3,12% / 3,87% | Singh et al., Interspeech 2023 |
| EER no corpus longitudinal finlandês (LCFSH) com 0 / 20 / 40 anos de diferença de idade, locutores do sexo masculino | 5,12% / 18,68% / 51,61% | Singh et al., Interspeech 2023 |
| Mesmo corpus com 0 / 20 / 40 anos de diferença de idade, locutores do sexo feminino | 10,04% / 21,67% / 40,61% | Singh et al., Interspeech 2023 |
| EER do x-vector treinado no VoxCeleb no conjunto de teste SITW vs CN-Celeb.E (um conjunto de avaliação do CN-Celeb) | 3,48% vs 16,59% | Li et al., artigo CN-Celeb, 2020 |
| ECAPA-TDNN com perda AM-Softmax: teste do VoxCeleb1 vs avaliação do CN-Celeb, cada um treinado no próprio domínio | 0,936% vs 8,877% | Wang et al., artigo DASA, 2023 |
| Trilha de adaptação de domínio do VoxSRC 2023 no CNCeleb: linha de base vs primeiro lugar, EER | 13,11% vs 4,95% | Huh et al., retrospectiva do VoxSRC, 2024 |
Dados mais recentes disponíveis sobre envelhecimento de longo prazo: Singh et al., Interspeech 2023.
6. NIST SRE: O Benchmark Mais Difícil, Sem os Números de Destaque
O NIST realiza essas avaliações desde 1996, e elas não se parecem em nada com entrevistas do YouTube. O SRE24 usou um novo corpus coletado fora da América do Norte, com fala telefônica e áudio de vídeo, em árabe tunisiano, inglês e francês. O líder do desafio telefônico do SRE24 estava em 2,37% de EER, cerca de 20 vezes o recorde do VoxCeleb1-O (2,37 / 0,12 = 19,8) (site do NIST SRE24), embora os dois testes sejam diferentes demais para que essa razão meça algo além de dificuldade.
A análise de 91 sistemas enviados ao SRE24 constatou que as comparações telefônicas com condições coincidentes superaram de forma consistente as comparações com condições coincidentes de áudio de vídeo, e o tipo de fonte importou mais do que o descompasso de idioma. Três segmentos de registro (enrollment) geralmente superaram um, mesmo com a mesma fala total, e a maioria dos sistemas mostrou diferenças limitadas entre sexos em comparações do mesmo sexo (Singer et al., Odyssey 2026). Dados de treinamento irrestritos trouxeram ganhos significativos, e modelos únicos competiram com fusões (Greenberg et al., Interspeech 2025). Os números da tabela abaixo mostram a outra lição: um sistema que não consegue definir seu próprio limiar não está pronto, por melhor que seja seu custo mínimo.
| Métrica | Valor | Fonte |
|---|---|---|
| Desafio telefônico do SRE19: organizações, equipes, saídas de sistema válidas | 67 / 51 / 1.347 | Sadjadi et al., NIST SRE19 CTS Challenge, Odyssey 2020 |
| Teste de áudio do SRE21: comparações-alvo vs comparações não alvo | 132.038 vs 5.899.731 | Sadjadi et al., NIST SRE21, 2022 |
| SRE24: equipes, organizações, sistemas enviados | 11 / 26 / 91 | Singer et al., Odyssey 2026 |
| Primeira linha do ranking SRE24-CTS em 24 de outubro de 2024: EER, custo mínimo, custo real | 2,37%, 0,102, 0,106 | Ranking do NIST SRE24-CTS Challenge, 2024 |
| Outra entrada nesse ranking: EER, custo mínimo, custo real (um sistema trivial marca 1) | 3,00%, 0,080, 1,000 | Ranking do NIST SRE24-CTS Challenge, 2024 |
| Sistema HCCL enviado ao SRE21, conjunto de desenvolvimento vs avaliação: EER | 2,27% vs 3,05% | Li et al., sistema HCCL, Interspeech 2022 |
| Mesmo sistema, conjunto de desenvolvimento vs avaliação: custo real | 0,170 vs 0,560 | Li et al., sistema HCCL, Interspeech 2022 |
Contexto: os artigos de visão geral e de análise do SRE24 apresentam os resultados em gráficos, sem valores de EER impressos, então o ranking é a janela numérica para este ciclo. Dados mais recentes disponíveis para resultados numéricos oficiais: ranking do NIST SRE24-CTS Challenge, 2024.
7. Equidade: Quem o Benchmark Mede
Uma única pontuação de benchmark pode esconder a taxa de falsos positivos de um grupo chegando a 13 vezes a taxa geral. No limiar geral de custo mínimo, locutoras indianas tiveram uma taxa de falsos positivos 13,0387 vezes a taxa geral em um estudo do fluxo de trabalho do VoxCeleb Speaker Recognition Challenge (Hutiri e Ding, FAccT 2022). A composição dos dados ajuda a explicar: o conjunto de teste do VoxCeleb 1 tem 62,5% de locutores dos EUA, e as mulheres são 38% dos locutores mas 29,5% dos enunciados.
A direção da diferença entre gêneros não é fixa, e essa é a descoberta útil. Os vencedores do VoxSRC foram melhores com homens, um estudo da Amazon foi melhor com mulheres, e um experimento controlado mostra que a composição do treinamento pode criar uma diferença própria. O mesmo padrão aparece em ferramentas de fala no nível de palavra, como documenta nosso levantamento sobre viés de sotaque no reconhecimento de fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Conjunto de teste do VoxCeleb 1: parcela de locutores dos EUA; parcela feminina dos locutores; parcela feminina dos enunciados | 62,5%; 38%; 29,5% | Hutiri e Ding, FAccT 2022 |
| Conjunto de treinamento do VoxCeleb 2: parcela masculina; parcela dos EUA | 61%; 29% | Hutiri e Ding, FAccT 2022 |
| Locutoras indianas vs taxa geral: razão de falsos positivos; razão de falsos negativos | 13,0387 vezes; 1,2497 vezes | Hutiri e Ding, FAccT 2022 |
| Vencedores do VoxSRC 2023 no conjunto de teste de 2019, EER masculina vs feminina: Track 1; Track 2 | 0,57% vs 0,69%; 0,43% vs 0,59% | Huh et al., retrospectiva do VoxSRC, 2024 |
| Sistema de reponderação adversarial, EER masculina vs feminina | 1,25% vs 0,67% | Jin et al., Interspeech 2022 |
| Mesmo estudo, diferença entre os grupos de gênero antes vs depois da reponderação | 0,70% vs 0,58% | Jin et al., Interspeech 2022 |
| Mesmo estudo, EER para EUA vs Reino Unido vs todas as outras nacionalidades | 1,04% vs 0,76% vs 1,22% | Jin et al., Interspeech 2022 |
| Linha de base ResNet-34 (com um quarto dos canais) treinada com uma mistura de 9:1 de mulheres para homens, EER feminina vs masculina | 3,52% vs 7,22% | Shen et al., ICASSP 2022 |
Dados mais recentes disponíveis para razões de erro por subgrupo: Hutiri e Ding, FAccT 2022. Separadamente, Estevez e Ferrer constataram que o desempenho “se degradou de forma acentuada” para grupos sub-representados no treinamento, e que um simples balanceamento de dados reduziu o viés sem prejudicar os grupos majoritários (Study on the Fairness of Speaker Verification Systems).
Resumo: Verificação de Locutor no VoxCeleb e Taxa de Erro Igual em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Menor EER no VoxCeleb1-O encontrada em um artigo primário | 0,12% | Li, Cheng e Li, artigo w2v-BERT 2.0, 2025 |
| Mesmo sistema na lista difícil Vox1-H | 0,55% | Li, Cheng e Li, artigo w2v-BERT 2.0, 2025 |
| SimAM-ResNet293 no VoxCeleb1-O com pré-treinamento no VoxBlink2 e calibração de qualidade, EER e minDCF | 0,17%, 0,006 | Lin et al., VoxBlink2, Interspeech 2024 |
| Locutores do VoxBlink2 vs locutores do VoxCeleb2 | 111.284 vs 5.994 | Lin et al., VoxBlink2, Interspeech 2024 |
| EER e parâmetros do ReDimNet2-B6 | 0,29%, 12,3M | Yakovlev e Okhotnikov, artigo ReDimNet2, 2026 |
| EER do ECAPA-TDNN com 1.024 canais | 0,87% | Desplanques et al., Interspeech 2020 |
| EER do primeiro lugar no Track 2 do VoxSRC no conjunto de teste fixo de 2019, 2019 vs 2023 | 1,26% vs 0,47% | Huh et al., retrospectiva do VoxSRC, 2024 |
| EER do ERes2NetV2 em comparações de duração completa vs de 2 segundos | 0,61% vs 1,48% | Chen et al., artigo ERes2NetV2, 2024 |
| EER da linha de base ResNet34, limpo vs babble a 0 dB | 1,98% vs 9,30% | Gu et al., artigo Noise-Conditioned Mixture-of-Experts, 2025 |
| EER da linha de base no Vox-H vs Vox-CA20 (grandes diferenças de idade) | 1,939% vs 10,419% | Qin et al., Interspeech 2022 |
| EER masculina com 0 ano vs 40 anos de diferença de idade, corpus finlandês | 5,12% vs 51,61% | Singh et al., Interspeech 2023 |
| EER do x-vector treinado no VoxCeleb no SITW vs CN-Celeb.E | 3,48% vs 16,59% | Li et al., artigo CN-Celeb, 2020 |
| EER do ECAPA-TDNN no VoxCeleb1 vs avaliação do CN-Celeb, cada um treinado no próprio domínio | 0,936% vs 8,877% | Wang et al., artigo DASA, 2023 |
| EER da primeira linha do ranking SRE24-CTS | 2,37% | Ranking do NIST SRE24-CTS Challenge, 2024 |
| Custo real do HCCL no SRE21, conjunto de desenvolvimento vs avaliação | 0,170 vs 0,560 | Li et al., sistema HCCL, Interspeech 2022 |
| Conjunto de teste do VoxCeleb 1, parcela das mulheres entre locutores vs enunciados | 38% vs 29,5% | Hutiri e Ding, FAccT 2022 |
| Taxa de falsos positivos de locutoras indianas vs taxa geral | 13,0387 vezes | Hutiri e Ding, FAccT 2022 |
| Sistema de reponderação adversarial, EER masculina vs feminina | 1,25% vs 0,67% | Jin et al., Interspeech 2022 |
Metodologia e Fontes
Cada número foi lido em um artigo primário, relatório de desafio ou página do NIST durante esta pesquisa. Os valores de EER e de custo são citados como cada fonte os imprime. As razões e as contagens de decisões erradas são aritmética nossa, com a conta mostrada. Nenhum dado do VoxBooster é usado.
- Huh et al., The VoxCeleb Speaker Recognition Challenge: A Retrospective, 2024
- Nagrani, Chung e Zisserman, VoxCeleb: a large-scale speaker identification dataset, Interspeech 2017
- Chung, Nagrani e Zisserman, VoxCeleb2: Deep Speaker Recognition, Interspeech 2018
- Desplanques, Thienpondt e Demuynck, ECAPA-TDNN, Interspeech 2020
- Wang et al., artigo do toolkit WeSpeaker, 2022
- Lin et al., VoxBlink2, Interspeech 2024
- Li, Cheng e Li, w2v-BERT 2.0 e poda estruturada, 2025
- Yakovlev e Okhotnikov, ReDimNet2, 2026
- Zheng et al., sistema UNISOUND para o VoxSRC 2023
- Torgashov et al., sistema ID R&D para o VoxSRC 2023
- Du, Fang e Li, sistema ChinaTelecom para o VoxSRC 2023
- Chen et al., ERes2NetV2, 2024
- Gu et al., Noise-Conditioned Mixture-of-Experts Framework, 2025
- Kim et al., artigo de aumento de dados PAS, 2023
- Qin et al., Cross-Age Speaker Verification, Interspeech 2022
- Singh, Sahidullah e Kinnunen, Speaker Verification Across Ages, Interspeech 2023
- Li et al., CN-Celeb: multi-genre speaker recognition, 2020
- Wang et al., artigo DASA, 2023
- Site da NIST Speaker Recognition Evaluation e ranking do 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 e 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 e Ferrer, Study on the Fairness of Speaker Verification Systems Across Accent and Gender Groups
- Qu et al., Fair-Gate, 2026
- Nota sobre os dados: os recordes do VoxCeleb1-O não são perfeitamente comparáveis, porque alguns artigos usam uma versão limpa do protocolo e alguns acrescentam normalização de scores ou calibração de qualidade. Só o número do ECAPA-TDNN varia conforme o artigo: 0,87% no original, 0,728% no WeSpeaker, 0,94% na tabela do ReDimNet2 e 1,12% no artigo Fair-Gate de 2026. Os autores do w2v-BERT 2.0 relatam 0,12%, enquanto a tabela comparativa do ReDimNet2 lista 0,14% para um modelo w2v-BERT 2.0 treinado com VoxBlink2 mais VoxCeleb2, e não conseguimos conciliar essas duas entradas exatamente. A redução de 43,4% na EER declarada no artigo do VoxBlink2 não bate com sua tabela (de 0,606% para 0,340% dá 43,9%), então não a citamos. O resumo do artigo também imprime o minDCF como 0,006%, onde a tabela imprime 0,006. O artigo do CN-Celeb traz 15,52% na introdução e 16,59% na tabela para o CN-Celeb.E; usamos a tabela. Os resultados mais antigos aqui (de 2017 a meados de 2023) são sinalizados como os mais recentes disponíveis onde não existe equivalente mais novo. Os resultados do NIST do próximo ciclo de avaliação mudariam primeiro a seção 6. Todos os valores de EER aqui consideram outros locutores reais como impostores, portanto nada dizem sobre a resistência a vozes sintéticas.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando o NIST publicar os resultados numéricos de sua próxima Speaker Recognition Evaluation.