arXiv cs.AI· Yucong Zhang, Cancan Li, Bo Xiao, Ke Zeng, Ming Li·· 12 小时前AI 评分34
从声纹到用户实体：多用户语音智能体的在线说话人记忆构建
From Voiceprints to User Entities: Online Speaker-Memory Construction for Multi-User Spoken Agents
AI 导读
研究提出 EvoSpeakerMem，一个无需训练的层，通过因果说话人路由、选择性声学状态更新和按身份分区的记忆读写，为多用户语音智能体在线构建持久用户实体。
正文 · AI 翻译
摘要：个性化语音智能体必须在访问用户特定记忆之前识别说话人，然而记忆基准测试通常假设历史记录已正确归属。我们认为声纹是对身份的观测，而非身份本身，并提出了在线说话人记忆构建，以在声学证据不断演变时维护持久的用户实体。我们引入了 EvoSpeakerMem，这是一个无需训练的分层，用于因果说话人路由、选择性声学状态更新，以及通过可替换的文本记忆后端进行身份分区的记忆写入与检索。我们还构建了 LoCoMo-ID，这是一个语音记忆基准测试，包含隐藏说话人身份、说话人敏感查询、模拟录音条件变化以及四说话人身份混淆测试。在纵向 SMIIP-TV 上，在冻结的近注册阈值下，真实探针拒绝率在约一年内从 29.8% 上升到 55.6%。在 LoCoMo-ID 的说话人敏感查询上，门控更新在干净和偏移条件下分别将身份门控 QA 相对于固定表示提高了 3.86 和 11.62 个百分点，且没有错误用户授权。这一优势在四说话人测试中依然存在。然而，减少碎片化和改善 QA 可以与错误的跨用户链接共存，揭示出仅靠 QA 无法捕捉的碎片化—污染权衡。
| 评论： | 预印本 |
| 主题： | 声音 (cs.SD)；人工智能 (cs.AI)；音频与语音处理 (eess.AS) |
| 引用为： | arXiv:2610.36713 [cs.SD] |
| （或 arXiv:2610.36713v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36713 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yucong Zhang [查看电子邮件]
[v1]
2026年10月27日星期二 06:27:24 UTC（1,641 KB）
来源：arXiv cs.AI · arxiv.org