语音交互系统里的“是谁”往往被拆给不同模块：唤醒词模块只看关键词，VAD 只看活动，识别模块只看文本，身份验证则被放在末端。近期几篇工作显示，身份信息若以恰当的软形式贯穿链路，可以让系统在多人、重叠和个性化条件下少做一些无谓猜测。
Personalized Keyword Spotting for User-Defined Keywords Leveraging Text-Independent Speaker Verification 将文本无关说话人验证用于用户自定义关键词。它面对的不是固定词表上的标准 KWS，而是“这句由谁说、是否就是用户设定的那句”两件事同时成立。将身份约束放到触发时刻，可以把旁人误唤醒与关键词混淆放在同一决策中处理。
Soft Posterior Speaker Injection for Multi-Talker Speech Recognition 讨论的是更长的多人语音。与先做硬聚类再送 ASR 的流水线相比，软后验让识别模型接收到不确定的身份线索，而不被一次早期聚类锁死。这种做法尤其适合交叠语音：身份并不是非黑即白的标签，而是随时间变化的证据分布。
与之相邻的 Can Large Audio Language Models Ignore Multilingual Distractors? 把选择性注意力拿到多语言干扰条件下检验。它提醒我们，系统声称“只听目标”之前，应先分清它究竟学会了按内容选择、按语言过滤，还是按声学显著性投机。对这类模型而言，身份、内容和语言三种线索并不总是一致。
一个更完整的链路应该允许线索双向校验：身份置信度影响关键词和转写的决策，文本与声学稳定性又反过来约束身份判断。这样做并不是把所有模块揉成一个黑箱，而是避免把最宝贵的上下文信息在模块边界处丢掉。
把“只认主导说话人”做成独立问题
Foreground VAD 的贡献在于不再把所有人声都标为同一种活动。它将正类定义为持续存在的主导说话人，单人条件下自然退化为传统 VAD；为了学到这种选择性，训练数据使用前景专属标签和竞争说话人混合，且可自动构造。BG-FAR 在前景 F1 达到门槛后再计算背景误报，避免模型通过简单地拒绝一切语音获得看似很低的误报率。对多人同时持续说话、真实远场设备和端侧资源的细节仍需要进一步验证，但它让“背景人声会不会触发系统”成为可以单独报告的指标。
流式目标说话人提取的 AFW 记忆工作则告诉我们，VAD 的选择性和身份记忆的更新不能各自独立。其对 22 类更新策略的扫描显示，手工门控被稳定性—可塑性前沿限制；小型闭环元训练记忆模块在严重失配时取得相对手工策略的改善。前者决定哪些帧有资格成为证据，后者决定证据如何修改目标状态，两者共同决定错误身份会在多长时间内传播。
双零样本唤醒的价值不只在于参数少
ZP-KWS 的任务同时要求关键词和说话人都可以在训练中未出现。音素监督编码器负责匹配文本定义的关键词，约 0.9M 参数的 GE2E 说话人编码器负责身份约束，乘性晚融合让任意一个分支都能否决激活。论文在 LibriPhrase、Google Speech Commands 与 Qualcomm 数据集上报告，1% FAR 时 target-only FRR 相对强基线最多下降 60%，总参数约 1.55M。这里需要避免把“最多”当作所有数据集的平均收益；注册语音质量、极低 SNR、跨语言词表和真实用户的注册成本，都还属于应被单独验证的边界。
多人 ASR 与大模型的最后一公里
SPSI 的做法是让 Soft Posterior Head 预测逐帧说话人后验，再通过多层 FiLM 调制和 speaker memory prompts 注入 Whisper。其动机是硬切分一旦错了就无法恢复，而 SOT 虽绕开显式切分，却没有让冻结/预训练编码器真正看到谁在说话。论文在高重叠 LibriSpeech 条件下将 cpWER 从 61.5% 降到 60.0%，全集从 51.9% 降到 51.0%；数字不大，但表明软身份条件化的接口值得继续探索，尤其应与真实远场、流式开销和统计显著性一起评估。
MUSI 评测为这条链路加上警告：英文目标流面对英语、西班牙语、韩语和中文干扰时，多个开放和闭源音频语言模型在低 SNR 下出现明显源归属混淆。前端分离可以减少声学重叠，却往往不能解决“这段内容属于谁”。因此，身份线索必须随音频或结构化后验继续传递到下游，而不能在前端被压缩成一条看起来更干净、却失去归属证据的波形。
部署的预算也是身份链路的一部分
Scaling Audio Models Efficiently: Joint Optimization of Scale, Resolution, Adaptation, Precision, and Sparsity 虽以 Whisper 部署为对象，却提供了重要参照：模型规模、时间分辨率、token 步长、低秩适配容量、权重精度和稀疏模式应被作为联动变量，而非逐项尝试。论文用 NSGA-III 在 WER、推理 FLOPs 和内存之间寻找主导配置，并报告 1:4 结构化稀疏在其恢复预算下无法回到可接受精度。端侧的选择性语音系统若要把 KWS、VAD、身份记忆和 ASR 串起来，也必须把整条链路的时延、常驻内存和拒绝错误成本一起预算。