VIPBench：面向语音克隆时代语音身份感知的人机对齐基准

研究者提出VIPBench基准，包含来自1,290名听众对9,800个录音对的124,876个判断。 该基准评估说话人表示模型与人类身份感知的对齐度，发现最佳模型仅解释61%的可解释方差，且听众在41%的情况下将语音克隆误判为不同人。 这些结果支持基于听众判断直接训练说话人模型，以提升现实场景中的身份感知准确性。