目标说话人提取的难点不只在“把声音分开”，还在于系统如何在沉默、遮挡、说话风格变化之后，持续记住该提取谁。Beyond the Stability–Plasticity Frontier in Streaming Target Speaker Extraction 以系统扫描的方式追问注册嵌入该如何更新：过于稳定会跟不上声学变化，过于可塑又会被干扰者带偏。
论文比较多种更新配置后给出的结论很朴素，却很重要：手工阈值和单一启发式规则很难同时覆盖目标活跃、目标静音、重叠和误检等状态。即使拥有更理想的活动信息，规则式更新也未必跨过稳定性与可塑性之间的张力。与其把嵌入当成一块静态身份标签，不如把它视为有不确定度、会受观测质量影响的动态状态。
Foreground Voice Activity Detection: Learning Speaker Selectivity from Supervision 补上了前一道门：系统并不只需判断“有没有人说话”，而要判断“是不是目标人在说话”。这类前景 VAD 若做得可靠，可以减少错误更新的机会；但它本身也必须面对目标参考不充分、重叠语音和域变化。
第三条线来自 Soft Posterior Speaker Injection for Multi-Talker Speech Recognition。它不把身份信息做成硬分配，而是把说话人后验以软方式注入识别过程。这个选择同样体现了一种克制：不确定的身份判断不应被过早离散化，否则一个错误标签会沿着整条转写链路放大。
因此，流式目标语音系统需要的不是更频繁地更新记忆，而是让更新依赖可审计的证据：谁在说、证据有多强、更新后是否改善了连续片段的一致性。身份状态、VAD 和 ASR 不应各自孤立。
更新嵌入不是一个阈值问题
Beyond the Stability–Plasticity Frontier in Streaming Target Speaker Extraction 对 22 种嵌入更新配置进行了系统测量，其中包括置信度门控和使用理想活动信息的门控。结果是一个清楚的稳定性—可塑性前沿：越保守的记忆越不容易在目标缺失时被污染，却也越难适应注册语音与当前混合之间的失配；越积极的更新能跟上变化，却更容易被干扰者拖走。论文指出，即使提供 oracle 级的目标活动信息，手工规则仍无法同时越过这一前沿。
作者据此训练一个 anchored fast-weights 记忆模块，把说话人状态的更新放进闭环流式回路，并让更新器在训练中看见自身造成的受污染证据。该模块只有约 41k 参数；文中结果是在严重失配时相对最佳手工规则提升 3.0 dB，同时控制漂移。这一结果的价值不在于某个记忆单元的名字，而在于实验先测出启发式规则的天花板，再用闭环学习去挑战它。数据集、跨设备泛化、训练成本和公开实现仍需在全文中继续核对。
前景 VAD 让“有人说话”变成“该听谁说话”
Foreground Voice Activity Detection 将传统 VAD 的正类重新定义为持续占主导的前景说话人，而不是任何人类语音。背景谈话在普通 VAD 中是活动，在交互系统中却可能是误触发来源。论文强调，前景选择性主要来自训练监督而非某种特殊结构：以前景专属标签配合竞争说话人混合，可以自动构造训练样本；BG-FAR 则在前景 F1 达标的前提下度量背景误报。这里最重要的不是换一个 VAD 名称，而是把“误认背景人声”单独做成可报告的失败率。
关键词、身份和转写都不应过早做硬决定
Personalized Keyword Spotting 讨论未见关键词与未见说话人的双零样本条件。它将音素监督的关键词编码器和 GE2E 预训练的紧凑声纹编码器做乘性晚融合，使关键词匹配与身份匹配都拥有否决权；总模型约 1.55M 参数，三套公开数据上的结果显示，在 1% FAR 下目标用户的 FRR 可相对强基线显著下降。乘性融合并不是自动解决低信噪比、短注册或跨语言问题，但它把严格程度作为运行模式而非重新训练任务，适合进一步审计。
Soft Posterior Speaker Injection 则把不确定性保留到多人 ASR 内部。它预测逐帧说话人软后验，再通过多层 FiLM 和 speaker memory prompts 注入 Whisper，避免先做不可逆的硬分段。论文在受控双人 LibriSpeech 重叠条件下使高重叠桶 cpWER 从 61.5% 到 60.0%、全集从 51.9% 到 51.0%。改善有限、绝对错误率仍高，却恰好说明这类条件化接口应被视为持续研究的起点，而不是已经解决多人转写的证据。
Can Large Audio Language Models Ignore Multilingual Distractors? 的 MUSI 评测给出了必要的外部检验：在英文目标对话和多语种干扰流的受控 SNR 条件下，六个开源或闭源模型呈现显著的低 SNR 脆弱性与源归属混淆；前端分离能减轻声学重叠，却常不能消除“内容到底属于谁”的错误。由此可见，前端的选择性、记忆的更新、软身份条件和下游理解必须被联合评估。只输出一段“更干净”的语音，并不等于系统已经知道它该听谁。