说话人表征学习旨在提取紧凑且具有判别性的嵌入表征，以捕捉说话人特有的声学特征，同时尽可能降低语言内容和声学环境变化带来的影响。然而，现有方法仍面临若干挑战：一是难以有效降低同一说话人在不同语音条件下的表征差异；二是大规模预训练语音模型在说话人验证任务中的高效适配仍存在计算和存储成本较高的问题；三是说话人身份信息与语音内容信息往往相互耦合，难以直接获得内容无关的说话人表征。

本报告将围绕上述问题介绍三项研究工作。首先，我们提出一种结合加性角度间隔的监督对比学习框架，以提升类内紧凑性和类间可分性。通过最大化帧级特征与说话人表征之间的互信息，该方法能够在多种数据增强条件下保留与说话人相关的关键信息。其次，我们探索面向预训练Transformer语音模型的参数高效微调方法，包括动态提示微调和谱感知LoRA，在显著降低计算与存储开销的同时，实现对说话人验证任务的有效适配。最后，我们提出一种基于扩散模型的变分框架，用于解耦说话人音色与语音内容，从而获得对语言内容变化更加鲁棒的内容无关说话人表征。在CN-Celeb、VoxCeleb和CU-MARVEL数据集上的实验结果表明，上述方法能够有效提升说话人表征的鲁棒性、迁移能力和可解释性。本研究通过增强说话人验证系统中的判别能力、适配效率和内容不变性，为更加可信的说话人表征学习提供了新的思路。

深伪语音检测是可信音频处理中的关键任务之一。随着当前生成式语音技术快速发展，伪造语音在自然度和说话人相似度方面不断提升。同时，生成模型的快速迭代以及跨语种、跨场景检测条件的复杂性，也使现有方法在真实开放场景中的稳定应用面临挑战。本报告将系统回顾深伪语音检测的关键问题与研究进展，并介绍团队围绕真实语音与深伪语音细粒度差异开展的系列研究，涵盖全局伪造与局部伪造等检测场景，包括背景噪声与低频残差信息建模、多子带动态表征、时间差分建模等工作。本报告将总结团队在检测泛化性与可解释性方面的探索与成果，并探讨面向真实开放场景的可信深伪语音检测新范式。

本工作基于去噪扩散概率模型设计了一种匿名化说话人韵律情感编码器，该编码器能够从匿名化的韵律中恢复情感风格，从而提升语音的匿名化效果和自然度。与以往依赖外部情感编码器的方法不同，本文方法直接利用去噪扩散概率模型，从匿名化后的韵律中修复情感状态。

随着音频与音乐生成模型在内容创作、语音交互和智能媒体中的广泛应用，训练数据隐私泄露问题逐渐成为值得关注的安全风险。其中，成员推断攻击旨在判断某一候选音频样本是否曾参与模型训练，是评估生成模型记忆行为和数据泄露风险的重要工具。本报告围绕音频扩散模型中的成员推断问题展开，重点讨论在同分布非成员样本干扰和低误报率要求下，传统打分方法为何难以稳定区分训练成员与相似非成员。报告将介绍一种基于扩散反向过程内部响应的分析思路，通过观测候选样本在中间去噪阶段的扰动稳定性，刻画模型对训练样本的潜在记忆信号。在此基础上，进一步引入音乐结构匹配的条件校准机制，为每个候选样本构造局部硬非成员参照分布，从而减少风格、节奏和结构相似性带来的误判。实验结果表明，该思路能够在严格低误报率场景下提升成员识别能力，为音频生成模型的隐私评估、训练数据审计和责任模型发布提供新的技术参考。