SPARC：从转录语音文本识别说话人身份的基准语料库

研究团队构建了 SPARC 基准，基于两个播客语料库，涵盖超过 12,500 名说话人、150 万条经质量过滤的语句，以及性别、年龄、口音等说话人级标签。研究用五个归因模型和三个 LLM 做身份与属性验证试验，发现 LLM 仅凭文本即可区分同一说话人的语句对，在性别和口音标签验证上高于随机水平。仅发布 50 词的短探测文本时，最强攻击模型的性能下降最多，可部分减少观察到的关联。