Ошибка верификации диктора на тесте VoxCeleb1 упала с 8,8% в 2017 году (Nagrani и др., статья VoxCeleb, 2017) до 0,12% в статье 2025 года (Li, Cheng и Li, статья w2v-BERT 2.0, 2025), то есть в 73 раза (8,8 / 0,12). Верификация диктора - это проверка «тот ли это человек?», а равновероятная ошибка (EER) - её стандартная оценка. Этот рекорд получен на фиксированном списке выступлений знаменитостей с YouTube. Та же область фиксирует 9,30%, когда гомон толпы звучит так же громко, как голос (Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025), и 10,419%, когда один и тот же человек сравнивается через большую разницу в возрасте (Qin и др., Interspeech 2022). Мы собрали данные организаторов соревнования VoxSRC, NIST Speaker Recognition Evaluation, статей Interspeech и Odyssey, команд корпусов VoxBlink2 и CN-Celeb и исследований справедливости FAccT. О коммерческой стороне этой технологии - в нашей статистике голосовой биометрии, а о задаче «кто и когда говорил», которая соседствует с этой, - в нашем обзоре частоты ошибок диаризации дикторов.
Кратко (TL;DR)
- Самая низкая EER на VoxCeleb1-O, найденная в первичной статье: 0,12%, у модели примерно с 600 миллионами параметров (Li, Cheng и Li, статья w2v-BERT 2.0, 2025).
- Корпус из 111 284 дикторов помог довести одну ResNet до 0,17% EER и 0,006 minDCF (Lin и др., VoxBlink2, Interspeech 2024).
- ReDimNet2-B6 достигает 0,29% EER при 12,3 млн параметров (Yakovlev и Okhotnikov, статья ReDimNet2, 2026).
- EER победителя Трека 2 на фиксированном тестовом наборе VoxSRC 2019 года упала с 1,26% в 2019 году до 0,47% в 2023 (Huh и др., ретроспектива VoxSRC, 2024).
- 2-секундное сравнение повышает EER ERes2NetV2 с 0,61% до 1,48% (Chen и др., статья ERes2NetV2, 2024).
- Многоголосый шум на 0 дБ повышает EER базовой модели ResNet34 с 1,98% до 9,30% (Gu и др., 2025).
- Пары с большой разницей в возрасте повышают EER базовой модели с 1,939% до 10,419% (Qin и др., Interspeech 2022).
- Разница в 40 лет подняла EER мужчин до 51,61% в финском корпусе, за линию подбрасывания монеты в 50% (Singh и др., Interspeech 2023).
- Система x-вектор, обученная на VoxCeleb, показала 3,48% на SITW и 16,59% на CN-Celeb.E (Li и др., статья CN-Celeb, 2020).
- Таблицу лидеров телефонного соревнования SRE24 возглавляла EER 2,37% (таблица лидеров NIST SRE24-CTS Challenge, 24 октября 2024 года).
- Женщины составляли 38% дикторов, но 29,5% высказываний в тестовом наборе VoxCeleb 1 (Hutiri и Ding, FAccT 2022).
1. Мерило: что измеряет EER и что содержит VoxCeleb
Система верификации получает две записи, образующие «сравнение» (англ. trial), и решает, принадлежат ли они одному диктору. Повышение порога принятия отклоняет больше настоящих дикторов, а понижение принимает больше самозванцев. EER - это точка, где эти две частоты ошибок совпадают. Дополнительная метрика minDCF (минимальная стоимость детекции) взвешивает те же две ошибки для выбранной рабочей точки, и чем ниже, тем лучше. Ни одна из метрик не охватывает синтетические или воспроизведённые голоса: «самозванцы» здесь - просто другие настоящие люди.
Классический тестовый список мал: 37 720 сравнений от 40 дикторов (Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025). VoxCeleb1-O, название этого списка, прост по сравнению со своими более трудными собратьями: ошибка одной модели вчетверо растёт при переходе с Vox1-O на Vox1-H (с 0,17% до 0,68%). Обучающие же данные выросли огромно, и раздел 3 показывает, почему это важнее большинства изменений архитектуры.
| Показатель | Значение | Источник |
|---|---|---|
| Размер VoxCeleb1: дикторы, высказывания, видео, часы, национальности | 1 251 / 153 516 / 22 496 / 352 / 36 | Chung и др., статья VoxCeleb2, 2018 |
| Обучающая часть VoxCeleb2: дикторы, высказывания, часы, среднее число секунд на высказывание | 5 994 / 1 092 009 / 2 442 / 7,8 | Lin и др., VoxBlink2, Interspeech 2024 |
| Размер VoxBlink2: дикторы, высказывания, часы, среднее число секунд на высказывание | 111 284 / 9 904 382 / 16 672 / 6,0 | Lin и др., VoxBlink2, Interspeech 2024 |
| Размер CN-Celeb: дикторы, жанры записей, часы в CN-Celeb1 плюс CN-Celeb2 | 3 000 / 11 / 274 плюс 1 090 | Li и др., статья CN-Celeb, 2020 |
| Тестовый список VoxCeleb1-O: сравнения, дикторы | 37 720 / 40 | Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025 |
| EER одной модели на Vox1-O (лёгкий список) против Vox1-E (расширенный список) против Vox1-H (трудный список) | 0,17% против 0,37% против 0,68% | Lin и др., VoxBlink2, Interspeech 2024 |
Самые свежие доступные данные по исходным показателям корпуса: статья VoxCeleb2, 2018.
2. Рекорды соревнования VoxSRC с 2019 по 2023 год
Соревнование VoxCeleb Speaker Recognition Challenge проводилось каждый год с 2019 по 2023, и его лучшим проектным решением было сохранение тестового набора 2019 года внутри каждого последующего тестового набора. Это даёт области единую фиксированную линейку. По ней EER победителя Трека 1 упала с 1,42% в 2019 году до 0,57% в 2021, а затем перестала снижаться. Организаторы говорят, что победители держатся ниже 1% с 2020 года, «что мы считаем насыщением производительности», а новый тестовый набор каждого года оставался трудным: победители Трека 1 показали 3,73%, 1,85%, 1,49% и 1,59% на собственных наборах с 2020 по 2023 год, при этом тест вырос с 208 008 пар и 745 дикторов в 2019 году до 825 437 пар и 2 532 дикторов в 2023 (Huh и др., ретроспектива VoxSRC, 2024).
У насыщения есть измеримый нижний предел. На этом наборе 2019 года 95-процентные доверительные интервалы бутстрэпа составляли от 18,6% до 31,2% от самой EER, поэтому малые разрывы между победителями могут быть шумом. Из 232 пар, в которых ошиблись все победители 2022 и 2023 годов, 16 были парами одного диктора, а 12 из этих 16 оказались ошибками разметки в тестовом списке. Трудные случаи тоже реальны: победитель Трека 1 2022 года показал 0,90% на стандартных парах и 2,07%, когда каждая пара была трудной (один и тот же диктор в разном возрасте или разные дикторы в одной и той же среде записи).
| Показатель | Значение | Источник |
|---|---|---|
| EER победителя Трека 1 (закрытые обучающие данные) на фиксированном тестовом наборе 2019 года, 2019 / 2020 / 2021 / 2022 / 2023 | 1,42% / 0,83% / 0,57% / 0,90% / 0,58% | Huh и др., ретроспектива VoxSRC, 2024 |
| EER победителя Трека 2 (открытые обучающие данные) на фиксированном тестовом наборе 2019 года, 2019 / 2020 / 2021 / 2022 / 2023 | 1,26% / 0,80% / 0,57% / 0,69% / 0,47% | Huh и др., ретроспектива VoxSRC, 2024 |
| Заявка UNISOUND 2023 года, первая в Треке 1 по отчёту команды: EER, minDCF на тестовом наборе 2023 года | 1,5880%, 0,0855 | Zheng и др., отчёт о системе UNISOUND, 2023 |
| Заявка ID R&D 2023 года, первая в публичной таблице лидеров Трека 2: EER, minDCF при P_target 0,05 | 1,30%, 0,0762 | Torgashov и др., отчёт о системе ID R&D, 2023 |
| Объединённая заявка ChinaTelecom в Треке 1 2023 года, заявленная самой командой: EER, minDCF | 1,980%, 0,1066 | Du и др., отчёт о системе ChinaTelecom, 2023 |
Контекст: последнее соревнование прошло в 2023 году, поэтому самые свежие доступные данные по нему - ретроспектива 2024 года. EER часто не была метрикой ранжирования, поэтому команда на втором месте иногда показывает EER ниже, чем победитель.
3. Рекорд на VoxCeleb1-O: от 8,8% до 0,12%
Число сравнений делает улучшение наглядным. Обе частоты ошибок в рабочей точке равны EER, поэтому общее число ошибок - примерно EER, умноженная на число сравнений: 8,8% от 37 720 - это примерно 3 319 ошибочных решений, а 0,12% - примерно 45. Система 2025 года делает около 45 ошибок там, где базовая модель 2017 года делала около 3 319 (Li, Cheng и Li, статья w2v-BERT 2.0, 2025). На таком уровне горстка неверно размеченных сравнений может решить судьбу рекорда.
Данные теперь двигают результат сильнее, чем архитектура. W2V-BERT 2.0 указан с 0,38% при обучении только на VoxCeleb2 и с 0,14% при добавлении VoxBlink2, это одна и та же модель с 587 млн параметров в обеих строках (Yakovlev и Okhotnikov, статья ReDimNet2, 2026). Важны и рецепты обучения: ResNet34 улучшился с 1,31% в цитируемом оригинале до 0,723% в реализации набора инструментов WeSpeaker. Эти же эмбеддинги служат судьями в исследованиях преобразования голоса, которые рассматривает наш обзор сходства диктора при преобразовании голоса.
| Показатель | Значение | Источник |
|---|---|---|
| 2017: базовая модель i-вектор плюс PLDA на тесте VoxCeleb1, EER и минимальная стоимость детекции | 8,8%, 0,73 | Nagrani и др., статья VoxCeleb, 2017 |
| 2018: ResNet-50, обученная на VoxCeleb2, EER и минимальная стоимость детекции | 3,95%, 0,429 | Chung и др., статья VoxCeleb2, 2018 |
| 2020: ECAPA-TDNN с 1 024 каналами, EER и minDCF | 0,87%, 0,1066 | Desplanques и др., Interspeech 2020 |
| 2022: ResNet293 в наборе инструментов WeSpeaker, EER и minDCF | 0,447%, 0,043 | Wang и др., статья WeSpeaker, 2022 |
| 2024: SimAM-ResNet293, предобученная на VoxBlink2, с калибровкой качества, EER и minDCF | 0,17%, 0,006 | Lin и др., VoxBlink2, Interspeech 2024 |
| 2025: w2v-BERT 2.0 на Vox1-O против Vox1-H, EER | 0,12% против 0,55% | Li, Cheng и Li, статья w2v-BERT 2.0, 2025 |
| 2026: ReDimNet2-B6, EER, параметры, GMACs (миллиарды операций умножения с накоплением) на 2 секунды входа | 0,29%, 12,3 млн, 13,05 | Yakovlev и Okhotnikov, статья ReDimNet2, 2026 |
| 2026: ReDimNet2-B0, самая маленькая модель семейства, EER и параметры | 1,04%, 1,1 млн | Yakovlev и Okhotnikov, статья ReDimNet2, 2026 |
Замечание о выбросе: авторы w2v-BERT 2.0 сообщают, что прунинг сократил размер модели на 80% при ухудшении EER всего на 0,04%, поэтому самые большие модели, возможно, не обязаны оставаться большими.
4. Короткие записи и зашумлённый звук
Обрезка тестовой записи до 2 секунд более чем удваивает ошибку ведущей модели, с 0,61% до 1,48% (Chen и др., статья ERes2NetV2, 2024). Это важно для любого продукта, построенного на короткой произносимой фразе, поскольку заголовочные цифры ниже 1% относятся к записям полной длины. Верно и обратное: на парах VoxSRC длиннее 8 секунд у победителя Трека 2 2023 года почти не осталось ошибок.
Шум подчиняется крутой кривой, а не прямой. «Многоголосый шум» (англ. babble) - это фоновый гомон толпы, а SNR (отношение сигнал/шум) измеряет голос относительно шума, поэтому 0 дБ означает, что оба одинаково громкие. Базовая модель ResNet34 почти не сдвигается на 20 дБ, а затем её ошибка вырастает более чем вчетверо на 0 дБ (Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025). Гомон толпы навредил сильнее, чем музыка, вероятно потому, что это сигнал того же типа, который модель обучена распознавать.
| Показатель | Значение | Источник |
|---|---|---|
| EER ERes2NetV2 на VoxCeleb1-O: сравнения полной длины против 3-секундных против 2-секундных | 0,61% против 0,98% против 1,48% | Chen и др., статья ERes2NetV2, 2024 |
| EER ECAPA-TDNN на VoxCeleb1-O: 3-секундные против 2-секундных сравнений | 1,27% против 1,95% | Chen и др., статья ERes2NetV2, 2024 |
| EER ResNet34 на VoxCeleb1-O: 3-секундные против 2-секундных сравнений | 1,47% против 2,12% | Chen и др., статья ERes2NetV2, 2024 |
| EER победителя Трека 2 VoxSRC 2023 на тестовом наборе 2019 года: все пары против пар длиннее 6 секунд против пар длиннее 8 секунд | 0,47% против 0,26% против 0,03% | Huh и др., ретроспектива VoxSRC, 2024 |
| Тестовые сегменты SRE24, на которых системам было труднее всего, и порог, выше которого выигрыш снижается | от 4,5 до 13 секунд; меньший выигрыш свыше 22,6 секунды | Singer и др., Odyssey 2026 |
| EER базовой модели ResNet34 на тесте VoxCeleb1: чистый звук против многоголосого шума на 20 дБ против многоголосого шума на 0 дБ | 1,98% против 2,18% против 9,30% | Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025 |
| Та же базовая модель на 0 дБ: музыка против общего шума | 5,82% против 7,3% | Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025 |
| Та же базовая модель на 0 дБ с шумом Nonspeech100 и модель, обусловленная шумом, на 0 дБ многоголосого шума | 10,17%; 8,10% | Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025 |
Контекст: результаты по шуму не переносятся между статьями. Исследование Университета Сеула измерило ECAPA-TDNN: 3,46% на чистом звуке и 13,01% при многоголосом шуме на 0 дБ (Kim и др., статья PAS, 2023) при другой схеме обучения, поэтому сравнивайте рост внутри каждого исследования, а не абсолютные значения.
5. Возраст, корпус и рассогласование доменов
Рекорд на VoxCeleb1-O мало говорит о голосе, записанном с разрывом в годы или в другой обстановке. Выбор пар одного диктора с большой разницей в возрасте поднял EER базовой модели с 1,939% до 10,419% (Qin и др., Interspeech 2022). Финский лонгитюдный корпус показывает длинный конец этой кривой: при разнице в 40 лет EER мужчин, равная 51,61%, хуже случайного угадывания (Singh и др., Interspeech 2023). Этот корпус невелик, в нём 109 дикторов после предобработки, а возраст в VoxCeleb оценивается, а не фиксируется, поэтому направление стоит читать увереннее, чем точные значения.
Сдвиг домена - больший коммерческий риск, потому что приходит незаметно. X-вектор, обученный на VoxCeleb, из статьи CN-Celeb показал рост ошибки почти впятеро на китайском многожанровом звуке (16,59 / 3,48 = 4,8). Дообучение на новом домене помогает, но не закрывает разрыв: тот же рецепт ECAPA-TDNN всё равно дал на CN-Celeb более чем девятикратную ошибку по сравнению с VoxCeleb (8,877 / 0,936 = 9,5).
| Показатель | Значение | Источник |
|---|---|---|
| EER базовой модели на тесте Vox-H против Vox-CA20, теста из пар с большой разницей в возрасте | 1,939% против 10,419% | Qin и др., Interspeech 2022 |
| EER ECAPA-TDNN на VoxCeleb1-Age-Enriched (США) при разнице в возрасте 3 / 6 / 9 лет, дикторы-мужчины | 2,31% / 2,84% / 3,63% | Singh и др., Interspeech 2023 |
| Тот же тест при разнице в возрасте 3 / 6 / 9 лет, дикторы-женщины | 2,70% / 3,12% / 3,87% | Singh и др., Interspeech 2023 |
| EER финского лонгитюдного корпуса (LCFSH) при разнице в возрасте 0 / 20 / 40 лет, дикторы-мужчины | 5,12% / 18,68% / 51,61% | Singh и др., Interspeech 2023 |
| Тот же корпус при разнице в возрасте 0 / 20 / 40 лет, дикторы-женщины | 10,04% / 21,67% / 40,61% | Singh и др., Interspeech 2023 |
| EER x-вектора, обученного на VoxCeleb, на тестовом наборе SITW против CN-Celeb.E (оценочного набора из CN-Celeb) | 3,48% против 16,59% | Li и др., статья CN-Celeb, 2020 |
| ECAPA-TDNN с функцией потерь AM-Softmax: тест VoxCeleb1 против оценки CN-Celeb, каждая обучена на собственном домене | 0,936% против 8,877% | Wang и др., статья DASA, 2023 |
| Трек адаптации к домену VoxSRC 2023 на CNCeleb: базовая модель против первого места, EER | 13,11% против 4,95% | Huh и др., ретроспектива VoxSRC, 2024 |
Самые свежие доступные данные о долгосрочном старении: Singh и др., Interspeech 2023.
6. NIST SRE: более трудный эталон без громких цифр
NIST проводит эти оценки с 1996 года, и они ничем не похожи на интервью с YouTube. В SRE24 использовался новый корпус, собранный за пределами Северной Америки, с телефонной речью и звуком из видео, на тунисском арабском, английском и французском. Лидер телефонного соревнования SRE24 находился на уровне 2,37% EER, примерно в 20 раз выше рекорда VoxCeleb1-O (2,37 / 0,12 = 19,8) (сайт NIST SRE24), хотя эти два теста слишком различны, чтобы это отношение измеряло что-то помимо сложности.
Анализ 91 поданной системы SRE24 показал, что телефонные сравнения с согласованными условиями стабильно превосходили сравнения со звуком из видео при согласованных условиях, а тип источника значил больше, чем несовпадение языка. Три регистрационных сегмента, как правило, превосходили один, даже при равной суммарной длительности речи, а большинство систем показали ограниченные различия между полами на сравнениях одного пола (Singer и др., Odyssey 2026). Неограниченные обучающие данные дали значительный выигрыш, а одиночные модели конкурировали с ансамблями (Greenberg и др., Interspeech 2025). Цифры в таблице ниже показывают другой урок: система, которая не может выставить собственный порог, не готова, как бы хороша ни была её минимальная стоимость.
| Показатель | Значение | Источник |
|---|---|---|
| Телефонное соревнование SRE19: организации, команды, допустимые результаты систем | 67 / 51 / 1 347 | Sadjadi и др., NIST SRE19 CTS Challenge, Odyssey 2020 |
| Аудиотест SRE21: целевые сравнения против нецелевых сравнений | 132 038 против 5 899 731 | Sadjadi и др., NIST SRE21, 2022 |
| SRE24: команды, организации, поданные системы | 11 / 26 / 91 | Singer и др., Odyssey 2026 |
| Первая строка таблицы лидеров SRE24-CTS на 24 октября 2024 года: EER, минимальная стоимость, фактическая стоимость | 2,37%, 0,102, 0,106 | Таблица лидеров NIST SRE24-CTS Challenge, 2024 |
| Другая заявка в этой таблице лидеров: EER, минимальная стоимость, фактическая стоимость (тривиальная система получает 1) | 3,00%, 0,080, 1,000 | Таблица лидеров NIST SRE24-CTS Challenge, 2024 |
| Система HCCL, поданная на SRE21, набор для разработки против оценочного набора: EER | 2,27% против 3,05% | Li и др., система HCCL, Interspeech 2022 |
| Та же система, набор для разработки против оценочного набора: фактическая стоимость | 0,170 против 0,560 | Li и др., система HCCL, Interspeech 2022 |
Контекст: обзорные и аналитические статьи SRE24 представляют результаты в виде графиков, без напечатанных значений EER, поэтому таблица лидеров - единственное числовое окно в этот цикл. Самые свежие доступные данные по официальным числовым результатам: таблица лидеров NIST SRE24-CTS Challenge, 2024.
7. Справедливость: кого измеряет эталон
Единственная оценка эталона может скрывать, что доля ложноположительных срабатываний одной группы в 13 раз превышает общую. На общем пороге минимальной стоимости у индийских дикторов-женщин доля ложноположительных срабатываний была в 13,0387 раза выше общей в исследовании рабочего процесса VoxCeleb Speaker Recognition Challenge (Hutiri и Ding, FAccT 2022). Состав данных помогает это объяснить: тестовый набор VoxCeleb 1 на 62,5% состоит из дикторов из США, а женщины дают 38% дикторов, но 29,5% высказываний.
Направление гендерного разрыва не фиксировано, и в этом полезная находка. Победители VoxSRC лучше справились с мужчинами, исследование Amazon - с женщинами, а контролируемый эксперимент показывает, что состав обучающих данных способен создать собственный разрыв. Та же картина видна в речевых инструментах на уровне слов, как документирует наш обзор смещения распознавания речи по акценту.
| Показатель | Значение | Источник |
|---|---|---|
| Тестовый набор VoxCeleb 1: доля дикторов из США; доля женщин среди дикторов; доля женщин среди высказываний | 62,5%; 38%; 29,5% | Hutiri и Ding, FAccT 2022 |
| Обучающий набор VoxCeleb 2: доля мужчин; доля США | 61%; 29% | Hutiri и Ding, FAccT 2022 |
| Индийские дикторы-женщины против общей доли: отношение ложноположительных; отношение ложноотрицательных | 13,0387 раза; 1,2497 раза | Hutiri и Ding, FAccT 2022 |
| Победители VoxSRC 2023 на тестовом наборе 2019 года, EER мужчин против женщин: Трек 1; Трек 2 | 0,57% против 0,69%; 0,43% против 0,59% | Huh и др., ретроспектива VoxSRC, 2024 |
| Система состязательного перевзвешивания, EER мужчин против женщин | 1,25% против 0,67% | Jin и др., Interspeech 2022 |
| То же исследование, разрыв между гендерными группами до против после перевзвешивания | 0,70% против 0,58% | Jin и др., Interspeech 2022 |
| То же исследование, EER для США против Великобритании против всех прочих национальностей | 1,04% против 0,76% против 1,22% | Jin и др., Interspeech 2022 |
| Базовая модель ResNet-34 (с четвертью каналов), обученная на смеси 9:1 женщин к мужчинам, EER женщин против мужчин | 3,52% против 7,22% | Shen и др., ICASSP 2022 |
Самые свежие доступные данные по отношениям ошибок для подгрупп: Hutiri и Ding, FAccT 2022. Отдельно Estevez и Ferrer обнаружили, что качество «заметно ухудшилось» для групп, недопредставленных в обучении, а простая балансировка данных уменьшила смещение, не навредив большинству групп (Study on the Fairness of Speaker Verification Systems).
Итоги: верификация диктора на VoxCeleb и равновероятная ошибка в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| Самая низкая EER на VoxCeleb1-O, найденная в первичной статье | 0,12% | Li, Cheng и Li, статья w2v-BERT 2.0, 2025 |
| Та же система на трудном списке Vox1-H | 0,55% | Li, Cheng и Li, статья w2v-BERT 2.0, 2025 |
| SimAM-ResNet293 на VoxCeleb1-O с предобучением на VoxBlink2 и калибровкой качества, EER и minDCF | 0,17%, 0,006 | Lin и др., VoxBlink2, Interspeech 2024 |
| Дикторы VoxBlink2 против дикторов VoxCeleb2 | 111 284 против 5 994 | Lin и др., VoxBlink2, Interspeech 2024 |
| EER и параметры ReDimNet2-B6 | 0,29%, 12,3 млн | Yakovlev и Okhotnikov, статья ReDimNet2, 2026 |
| EER ECAPA-TDNN с 1 024 каналами | 0,87% | Desplanques и др., Interspeech 2020 |
| EER победителя Трека 2 VoxSRC на фиксированном тестовом наборе 2019 года, 2019 против 2023 | 1,26% против 0,47% | Huh и др., ретроспектива VoxSRC, 2024 |
| EER ERes2NetV2 на сравнениях полной длины против 2-секундных | 0,61% против 1,48% | Chen и др., статья ERes2NetV2, 2024 |
| EER базовой модели ResNet34, чистый звук против многоголосого шума на 0 дБ | 1,98% против 9,30% | Gu и др., статья Noise-Conditioned Mixture-of-Experts, 2025 |
| EER базовой модели на Vox-H против Vox-CA20 (большая разница в возрасте) | 1,939% против 10,419% | Qin и др., Interspeech 2022 |
| EER мужчин при разнице в возрасте 0 лет против 40 лет, финский корпус | 5,12% против 51,61% | Singh и др., Interspeech 2023 |
| EER x-вектора, обученного на VoxCeleb, на SITW против CN-Celeb.E | 3,48% против 16,59% | Li и др., статья CN-Celeb, 2020 |
| EER ECAPA-TDNN на VoxCeleb1 против оценки CN-Celeb, каждая обучена на собственном домене | 0,936% против 8,877% | Wang и др., статья DASA, 2023 |
| EER первой строки таблицы лидеров SRE24-CTS | 2,37% | Таблица лидеров NIST SRE24-CTS Challenge, 2024 |
| Фактическая стоимость HCCL на SRE21, набор для разработки против оценочного набора | 0,170 против 0,560 | Li и др., система HCCL, Interspeech 2022 |
| Тестовый набор VoxCeleb 1, доля женщин среди дикторов против высказываний | 38% против 29,5% | Hutiri и Ding, FAccT 2022 |
| Доля ложноположительных срабатываний у индийских дикторов-женщин против общей доли | 13,0387 раза | Hutiri и Ding, FAccT 2022 |
| Система состязательного перевзвешивания, EER мужчин против женщин | 1,25% против 0,67% | Jin и др., Interspeech 2022 |
Методология и источники
Каждая цифра была прочитана в первичной статье, отчёте соревнования или на странице NIST в ходе этого исследования. Значения EER и стоимости приведены так, как их печатает каждый источник. Отношения и счётчики ошибочных решений - наша собственная арифметика, с показанными вычислениями. Данные VoxBooster не используются.
- Huh и др., The VoxCeleb Speaker Recognition Challenge: A Retrospective, 2024
- Nagrani, Chung и Zisserman, VoxCeleb: a large-scale speaker identification dataset, Interspeech 2017
- Chung, Nagrani и Zisserman, VoxCeleb2: Deep Speaker Recognition, Interspeech 2018
- Desplanques, Thienpondt и Demuynck, ECAPA-TDNN, Interspeech 2020
- Wang и др., статья о наборе инструментов WeSpeaker, 2022
- Lin и др., VoxBlink2, Interspeech 2024
- Li, Cheng и Li, w2v-BERT 2.0 и структурный прунинг, 2025
- Yakovlev и Okhotnikov, ReDimNet2, 2026
- Zheng и др., система UNISOUND для VoxSRC 2023
- Torgashov и др., система ID R&D для VoxSRC 2023
- Du, Fang и Li, система ChinaTelecom для VoxSRC 2023
- Chen и др., ERes2NetV2, 2024
- Gu и др., Noise-Conditioned Mixture-of-Experts Framework, 2025
- Kim и др., статья об аугментации PAS, 2023
- Qin и др., Cross-Age Speaker Verification, Interspeech 2022
- Singh, Sahidullah и Kinnunen, Speaker Verification Across Ages, Interspeech 2023
- Li и др., CN-Celeb: multi-genre speaker recognition, 2020
- Wang и др., статья DASA, 2023
- Сайт NIST Speaker Recognition Evaluation и таблица лидеров SRE24-CTS Challenge
- Greenberg и др., The 2024 NIST Speaker Recognition Evaluation, Interspeech 2025
- Singer и др., Analysis of the NIST 2024 Speaker Recognition Evaluation, Odyssey 2026
- Sadjadi и др., The 2021 NIST Speaker Recognition Evaluation, 2022
- Sadjadi и др., The 2019 NIST SRE CTS Challenge, Odyssey 2020
- Li и др., The HCCL System for the NIST SRE21, Interspeech 2022
- Hutiri и Ding, Bias in Automated Speaker Recognition, FAccT 2022
- Jin и др., Adversarial Reweighting for Speaker Verification Fairness, Interspeech 2022
- Shen и др., Group-adapted Fusion Network, ICASSP 2022
- Estevez и Ferrer, Study on the Fairness of Speaker Verification Systems Across Accent and Gender Groups
- Qu и др., Fair-Gate, 2026
- Наблюдение по данным: рекорды VoxCeleb1-O нельзя сравнивать идеально, потому что в некоторых статьях используется очищенная версия протокола, а в некоторых добавлены нормализация оценок или калибровка качества. Одна лишь цифра ECAPA-TDNN меняется от статьи к статье: 0,87% в оригинале, 0,728% в WeSpeaker, 0,94% в таблице ReDimNet2 и 1,12% в статье Fair-Gate 2026 года. Авторы w2v-BERT 2.0 сообщают 0,12%, тогда как сравнительная таблица ReDimNet2 указывает 0,14% для модели w2v-BERT 2.0, обученной на VoxBlink2 плюс VoxCeleb2, и мы не смогли точно согласовать эти две записи. Заявленное в статье VoxBlink2 снижение EER на 43,4% не совпадает с её таблицей (от 0,606% до 0,340% - это 43,9%), поэтому мы его не приводим. В её аннотации minDCF также напечатан как 0,006%, тогда как в таблице - 0,006. Статья CN-Celeb даёт для CN-Celeb.E 15,52% во введении и 16,59% в таблице; мы используем таблицу. Более старые результаты здесь (с 2017 до середины 2023 года) помечены как самые свежие из доступных там, где нет более нового аналога. Результаты NIST следующего цикла оценки изменили бы в первую очередь раздел 6. Все значения EER здесь касаются других настоящих дикторов в роли самозванцев, поэтому они ничего не говорят об устойчивости к синтетическим голосам.
Последнее обновление: 31 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается, когда NIST опубликует числовые результаты своей следующей Speaker Recognition Evaluation.