目标说话人系统的失败常被归结为“嵌入不够强”，但真实部署中更常见的是证据使用方式出了问题：注册样本质量不同、候选说话人彼此接近、远近和声学条件改变，固定阈值很难一直成立。把注册库当作一组可比较的证据，而非一个静态标签，是更稳妥的起点。
Using the Enrollment Gallery as Evidence: affine-invariant score calibration for target speaker tagging 研究如何从完整注册库而非孤立的单一分数中校准目标说话人标注。相对分布、候选间距和注册质量能够提供“这个分数到底有多可信”的上下文；仿射不变校准的目标是让不同规模、不同尺度的打分更可比较。任何校准方案仍须在跨设备、短注册、同音色干扰者和开放集拒识条件下验证，避免把库内排序误当作真正身份确认。
Monaural Continuous-Radius Regional Speech Extraction with Cross-Radius Consistency Learning 进一步把目标定义从“哪个人”扩展到“哪个相对距离区域”。单通道里距离线索本就脆弱，连续半径与跨半径一致性可以避免粗粒度离散标签的跳变，但也应明确哪些线索来自混响、能量还是训练分布捷径。区域提取若要进入真实空间，必须与说话人证据、目标缺席保护和移动条件联合检查。
DualSpecSE 以 Mel 与复数谱双路径将“服务识别的表征”和“服务重建的波形”区分开。它与目标标注问题共享一个原则：不要让一个输出承担所有含义。身份、文本和波形质量应保留各自可审计的接口，才不会在一处错误后沿整条链路放大。