言語間不整合は、現代の話者検証システムにおける性能低下の主要な要因の一つです。トレーニングとテストで異なる言語が使用されると、話者埋め込みに言語関連情報が含まれ、検証精度が著しく低下します。TidyVoice 2026チャレンジは、この問題に特化したテキスト非依存の話者検証タスクを設定しています。このチャレンジには、40言語にわたる3,666人の訓練話者と808人の開発話者、および38の未学習言語からの2,200人の評価話者が含まれており、テスト時には言語ラベルは提供されません。これにより、タスクの難易度が大幅に高まっています。
本研究では、VoxBlink2とVoxCeleb2で事前学習され、TidyVoiceデータで微調整された公式のSimAM-ResNet34ベースラインから出発し、Nuisance Attribute Projection（NAP）を埋め込み空間におけるシンプルな言語正規化手順として再評価しました。NAPは古典的でありながら見過ごされがちな技術で、言語間の同一話者差からコンパクトな言語部分空間を推定し、埋め込みをその直交補空間に投影することで言語関連の変動を取り除きます。その後、適応対称スコア正規化（AS-Norm）を適用してコサイン類似度を計算します。
実験結果は、開発セットにおける等価誤り率（EER）を、コサイン類似度のみの場合の2.97%、AS-Normを用いた場合の2.70%から2.18%に低減し、約20%の相対改善を示しました。Codabench評価スコアは8.40であり、シンプルなバックエンド言語正規化がより複雑なエンドツーエンドシステムと競合できることを示しています。本論文は5ページ、2図から成り、Interspeech 2026と共催のTidyVoiceチャレンジに提出されました。この研究の意義は、複雑なタスクにおいてもシンプルな後処理ステップが顕著な性能向上をもたらし、既存システムへの再現性と統合の容易さを備えている点にあります。