SPARC：口语档案作者识别语料库
语音匿名化研究过去主要关注声学信号，但转录文本本身也可能保留说话者信息。本研究推出 SPARC 基准，数据来自两个播客语料库，包含超过 12,500 名说话者和 150 万条经过质量筛选的语句。研究人员评估了五种归属模型和三个大语言模型，用于验证说话者身份以及性别、年龄、口音等人口属性。大语言模型仅凭文本就能区分同一说话者的语句配对，也能以高于随机水平的表现验证性别和口音标签。将探测文本限制为 50 个词，会显著削弱最强模型关联说话者的能力，但不能完全消除这种风险。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。