精选理由
这篇用AMR动态融合音视频特征，缺失模态也能准确识别说话人。在POLY-SIM上平均99%准确率，比基线高32%，很实用。
提出自适应模态路由（AMR）模块，用于多模态多语言说话人识别。AMR使用W2V-BERT 2.0音频编码器和IResNet-18人脸编码器，通过可训练路由器动态分配模态权重。在POLY-SIM 2026评估集上，系统在4个协议上的平均准确率达99.07%，比FOP基线提升32.73%。具体成绩：英语多模态99.93%，乌尔都语多模态100.00%，英语仅音频97.50%，乌尔都语仅音频98.83%。
AI 翻译 · 中文
提出自适应模态路由（AMR）模块，用于多模态多语言说话人识别。AMR使用W2V-BERT 2.0音频编码器和IResNet-18人脸编码器，通过可训练路由器动态分配模态权重。在POLY-SIM 2026评估集上，系统在4个协议上的平均准确率达99.07%，比FOP基线提升32.73%。具体成绩：英语多模态99.93%，乌尔都语多模态100.00%，英语仅音频97.50%，乌尔都语仅音频98.83%。
Multimodal speaker identification systems face two key challenges in real-world deployment: missing modalities and language mismatch between training and testing conditions. In practical scenarios, background multi-speak…