VIPBench：面向声音克隆时代的语音身份感知人类对齐基准

发布VIPBench基准，包含124,876次判断、1,290名听众及9,800对录音，评估模型与人类语音身份感知的对齐度。结果显示，41%的听众认为同一说话人的克隆语音与真实录音不同；最佳模型仅解释61%的可解释方差。该研究被NeurIPS 2026接收，旨在推动基于听众判断训练说话人模型以应对知识产权与安全挑战。