跨语言声纹的难点，不是翻译而是时间与条件

同一个人用两种语言说话，声纹系统未必给出相近的分数。语速、片段长度和录音设备也会变。把验证器标成“文本无关”，并不意味着这些条件可以不测。

Using the Enrollment Gallery as Evidence 将注册库整体用于目标说话人标注校准，强调分数要在候选分布中解释。Cross-Lingual Speaker Verification with Self-Supervised Pre-Trained Models 则直接检验 SSL 表征在跨语言条件下的身份稳定性。两者共同提醒：一个嵌入的语义不是固定的，它依赖注册质量、测试语言、时长和竞争说话人。部署评测应将这些条件交叉报告，而非只给单一 EER。

DiffuPlex 研究全双工对话的生成速度，EgoVoice 研究第一视角语音辅助。它们与跨语言声纹不是同一个问题。若把声纹结果接入这类连续交互系统，需要额外决定身份何时确认、何时失效，以及低置信度片段是否允许改变当前用户状态。

因此，跨语言测试至少应把注册语言、测试语言、片段长度和设备条件分开统计。只给一个总体 EER，看不出系统究竟在哪种条件下认错了人。