文章介绍了CUHK-EE团队为NCMMSC 2025 vTAD挑战赛开发的语音音色属性检测系统。该系统基于WavLM-Large模型提取鲁棒的语音特征，并通过两种Diff-Net变体（FFN和SE-ResFFN）比较语音对之间的音色属性强度。实验结果表明，WavLM-Large+FFN系统在未见过的说话人上表现更优，准确率达到77.96%，而WavLM-Large+SE-ResFFN在已知说话人上表现更佳，准确率达94.42%。文章还探讨了模型复杂性、说话人身份、标注主观性和数据不平衡等因素对系统性能的影响，为未来音色属性检测的鲁棒性和公平性改进提供了方向。
语音音色属性检测（vTAD）是语音处理领域的重要任务，旨在自动比较语音对之间的音色属性强度差异。文章介绍了CUHK-EE团队为NCMMSC 2025 vTAD挑战赛开发的系统，该系统基于自监督学习模型WavLM-Large和两种不同的Diff-Net架构，实现了高效的音色属性检测。
系统首先对原始语音进行静音去除处理，保留语音的自然节奏和结构。静音区域定义为信号强度低于40 dB的部分，处理过程中确保保留至少100 ms的有效语音内容。
系统由说话人编码器和比较网络（Diff-Net）两部分组成。说话人编码器基于WavLM-Large模型，结合注意力统计池化（ASTP）提取鲁棒的语音特征。比较网络采用两种变体：标准前馈神经网络（FFN）和带有挤压激励模块的残差前馈神经网络（SE-ResFFN）。
实验使用VCTK-RVA数据集进行训练和评估，该数据集包含34种音色属性的标注。训练过程中固定WavLM-Large参数，仅训练Diff-Net部分。实验分为"Seen"和"Unseen"两种场景，分别评估模型在已知说话人和未知说话人上的表现。
实验结果显示，WavLM-Large+FFN在"Unseen"场景下表现更优，准确率达77.96%，而WavLM-Large+SE-ResFFN在"Seen"场景下表现更佳，准确率达94.42%。这表明模型复杂性和泛化能力之间存在权衡。此外，文章还分析了说话人身份、标注主观性和数据不平衡等因素对系统性能的影响。
文章提出的系统在vTAD挑战赛中取得了优异成绩，展示了自监督学习模型在音色属性检测中的潜力。研究结果揭示了模型架构选择的重要性，并为未来改进音色属性检测系统的鲁棒性和公平性提供了方向。