[Paper] 基于文体计量的演讲稿说话者归属分析

发布: 14小时前 (2025年12月16日 GMT+8 02:55)

8 min read

原文: arXiv

Source: arXiv - 2512.13667v1

概述

本文介绍了 StyloSpeaker，一种文体计量系统，利用仅文本线索将转录后的口语归属到原始说话者。通过将语音转录视为书面文档，作者表明经典的作者归属技术在声音被遮蔽、合成或其他不可靠时，可以补充（甚至取代）基于声学的说话人识别。

Data preparation – 作者收集了已知说话人的配对语音录音，然后生成了两个转录版本：
- Prescriptive：保留典型的书写规范（大写字母、逗号、句号）。
- Normalized：去除所有此类规范，仅留下纯粹的标记流。
Feature extraction – 对每个转录文本，StyloSpeaker 计算一套超过 200 项的文体属性，包括：
- Character n‑grams（例如 “th”、 “ing” 的频率）。
- Word‑level statistics（词类比例、功能词频率）。
- Token‑level patterns（数字、表情符号、填充词的使用）。
- Sentence‑level metrics（平均句长、标点密度）。
- Higher‑order style markers（可读性得分、词汇丰富度）。
Similarity scoring – 将转录对的特征向量进行余弦相似度比较；相似度越高表明可能是同一说话人。
Evaluation regimes – 作者在 topic control 上进行变动：
- Loose：说话人讨论不相关的主题。
- Moderate：主题有重叠但内容不同。
- Strong：使用相同的提示，迫使模型依赖风格而非主题。
Baselines – 训练了两个神经分类器（一个微调的 BERT 模型和一个简单的 LSTM），在相同数据上进行正面对比，以评估性能和可解释性。
Feature importance analysis – 通过置换重要性和 SHAP 值，研究揭示了哪些文体线索驱动了正确的归属判断。

条件	转录类型	StyloSpeaker 准确率	神经基线准确率
话题宽松	规定式	71 %	73 %
话题宽松	标准化	78 %	80 %
话题适中	规定式	74 %	76 %
话题适中	标准化	82 %	84 %
话题强烈	规定式	86 %	84 %
话题强烈	标准化	89 %	87 %

关键要点

法医调查 – 机构可以在已转录的勒索电话、隐蔽录音或合成语音威胁中部署 StyloSpeaker，当声学线索受损时使用。
内容审核平台 – 通过分析底层转录文本的风格，可以检测使用文本转语音机器人进行的协同假信息活动。
法律电子发现 – 律师可以快速标记与已知作者匹配的匿名文档（例如所谓的遗书），而无需语音录音。
开发者工具包 – 该功能集轻量（无需 GPU 密集型模型），可集成到现有的 NLP 流程（如 spaCy、scikit‑learn）中，实现实时说话人归属服务。
隐私保护分析 – 由于该方法仅基于文本，无需存储或处理原始音频，从而更易符合数据保护法规的合规要求。