arXiv 2026年10月6日作者提出 TS-SP（两阶段说话人保持）框架：先在 Qwen2.5-Omni-7B 的原生音频编码器上用说话人身份监督训练 LoRA，再冻结该编码器、仅用 LoRA 训练语言模型做成对说话人比较，全部预训练权重保持固定；在 Vox1-O 上把等错误率从配对损失适配基线的 7.01% 降到 4.37%，minDCF 从 0.915 降到 0.611，Vox1-E 与 Vox1-H 也分别从 7.64% 降到 4.41%、从 19.31% 降到 9.43%，未见提示下等错误率保持在 4.31–4.79%，但 CN-Celeb 跨域等错误率与基线相当（16.74% 对 16.49%），且原生阈值下准确率更低。作者提出 TS-SP（两阶段说话人保持）框架：先在 Qwen2.5-Omni-7B 的原生音频编码器上用说话人身份监督训练 LoRA，再冻结该编码器、仅用 LoRA 训练语言模型做成对说话人比较，全部预训练权重保持固定；在 Vox1-O 上把等错误率从配对损失适配基线的 7.01% 降到 4.37%，minDCF 从 0.915 降到 0.611，Vox1-E 与 Vox1-H 也分别从 7.64% 降到 4.41%、从 19.31% 降到 9.43%，未见提示下等错误率保持在 4.31–4.79%，但 CN-Celeb 跨域等错误率与基线相当（16.74% 对 16.49%），且原生阈值下准确率更低。TS-SP 两阶段 LoRA 适配让 Qwen2.5-Omni-7B 的 Vox1-O 等错误率从 7.01% 降至 4.37%作者提出 TS-SP（两阶段说话人保持）框架：先在 Qwen2.5-Omni-7B 的原生音频编码器上用说话人身份监督训练 LoRA，再冻结该编码器、仅用 LoRA 训练语言模型做成对说话人比较，全部预训练权重保持固定；在 Vox1-O 上把等错误率从配对损失适配基线的 7.01% 降到 4.37%，minDCF 从 0.915 降到 0.611，Vox1-E 与 Vox1-H 也分别从 7.64% 降到 4.41%、从 19.31% 降到 9.43%，未见提示下等错误率保持在 4.31–4.79%，但 CN-Celeb 跨域等错误率与基线相当（16.74% 对 16.49%），且原生阈值下准确率更低。作者提出 TS-SP（两阶段说话人保持）框架：先在 Qwen2.5-Omni-7B 的原生音频编码器上用说话人身份监督训练 LoRA，再冻结该编码器、仅用 LoRA 训练语言模型做成对说话人比较，全部预训练权重保持固定；在 Vox1-O 上把等错误率从配对损失适配基线的 7.01% 降到 4.37%，minDCF 从 0.915 降到 0.611，Vox1-E 与 Vox1-H 也分别从 7.64% 降到 4.41%、从 19.31% 降到 9.43%，未见提示下等错误率保持在 4.31–4.79%，但 CN-Celeb 跨域等错误率与基线相当（16.74% 对 16.49%），且原生阈值下准确率更低。