说话人验证不再只看一个榜单：26个试集、11类场景，同一模型换个场景就换张脸

说话人验证的评测单位从单一公开协议扩展为跨场景的固定试集集合，系统不再只按一个聚合分数排序，而是按试集指标、场景画像和宏平均分别比较。 此前VoxCeleb风格的评测是英语野外媒体语音的稳定锚点，场景专项评测与挑战赛也各有价值，但两者都不能直接说明同一系统在多种部署场景下是否仍然可靠。 固定核心由16个公开来源构成，含26个试集、11个场景组和9150366次验证试验，目标与非目标密钥、元数据和校验和一并冻结，18个公开检查点在同一套试集和同一评分协议下评测。

评测结果把泛化差距拆到场景和试集两级：宏平均EER相近并不代表失败模式相同，同一场景标签下的不同来源试集也可能给出不一致的系统排序。 宏平均排名只能给出系统的紧凑排序，无法替代场景级诊断，因为场景组平均会掩盖试集之间的排序反转。 genre-shift与accent/dialect是当前固定核心中平均EER最高的两组，分别为27.36%和24.76%；channel/device、short-duration、overlap与distance构成第二高误差簇，平均EER在15.49%到17.58%之间；aging与channel/device的试集间排序一致性较高，short-duration、in-the-wild与overlap则包含低相关试集对。

系统画像的差异不能只归因于架构或训练来源是否与评测语料重叠，同一模型家族内部也会出现明显的场景取舍。 按架构标签或宏平均分数解释场景画像都过于粗糙，训练来源重叠虽然可见，但不足以解释部署泛化。 CAMP-Vox与IIC-CAMP同属CAMPPlus一脉，IIC-CAMP在genre-shift和channel/device上更好，CAMP-Vox则在accent/dialect、noise/reverb、overlap和aging上更好；Res34、Res152与Res293的宏平均EER分别为12.05%、11.23%和11.31%，深度并不单调决定泛化；在14个训练描述包含VoxCeleb的检查点中，in-the-wild组VoxCeleb一侧平均EER为2.24%，CN-Celeb一侧为16.09%，但short-duration组两侧均值接近，为16.06%与17.85%。

榜单被设计成诊断接口而非单纯排名表，新系统提交分数包后按冻结密钥和统一评分计算，并输出试集明细、场景组指标、宏平均EER/minDCF、模型画像和场景间比较。 公开排名只是基准输出的一种视图，用户还需要试集明细和场景级表格来定位特定部署偏移下的失败模式。 提交工具包统一数据准备、分数生成、预检和分数包创建，按话语对密钥匹配分数，且不重新分发源录音；榜单在固定公开核心上评测提交系统，并报告与评测相同的试集、场景组和场景宏平均视图。

当前固定核心面向跨场景说话人验证评测，读者是需要在多种部署条件下比较系统的研究人员与工程师。固定核心保留VoxCeleb1-O/E/H、CN-Celeb和3D-Speaker等常用协议以保持与既有工作的可比性，但不把其中任何一个当作完整评测目标。场景组应被理解为泛化视图而非孤立的因果因素，因为公开来源可能把语言、信道、体裁、距离、噪声、混响和说话风格纠缠在一起。后续经评审的公开贡献包可在不改变本次固定核心结果的前提下扩展覆盖范围。

场景组不是因果隔离，公开来源可能同时改变语言、体裁、信道、距离、噪声、混响、说话风格和采集协议。各场景覆盖不均，部分场景组目前只依赖单一公开来源或单一试集，其平均难度同时反映预期偏移和来源协议。已发布检查点的完整训练清单并不总是可得，因此来源重叠只能在已知时记录，无法始终完全控制。榜单排名仍依赖场景构成：对11个场景组做10000次自助重采样时，W2V-BERT2在84.3%的重采样中保持第一，在99.4%中保持前三。移除VoxCeleb试集后，W2V-BERT2、ReDimNet2和SAM-ResNet100的宏平均EER从9.96%、10.53%和10.58%变为10.44%、11.14%和11.08%。