跨语言不匹配仍然是现代说话人验证系统性能下降的主要来源之一。当训练和测试使用不同语言时，说话人嵌入会包含语言相关的信息，导致验证准确率显著下降。TidyVoice 2026挑战赛专门针对这一问题，设置了文本无关的说话人验证任务。该挑战包含3,666个训练说话人和808个开发说话人，覆盖40种语言，以及2,200个评估说话人，来自38种在训练中未见过的语言，且在测试时不提供语言标签，这极大地增加了任务的难度。
本研究从官方SimAM-ResNet34基线模型出发，该模型已在VoxBlink2和VoxCeleb2上预训练，并在TidyVoice数据上进行了微调。作者重新审视了Nuisance Attribute Projection（NAP），这是一种经典但被忽视的技术，将其作为嵌入空间中的一种简单语言归一化步骤。具体来说，他们从跨语言相同说话人的差异中估计出一个紧凑的语言子空间，然后将嵌入投影到该子空间的正交补上，从而消除语言相关的变化。随后，结合自适应对称分数归一化（AS-Norm）进行余弦评分。
实验结果表明，该方法在开发集上将等错误率（EER）从余弦评分时的2.97%和AS-Norm时的2.70%降低到2.18%，相对改善约20%。在Codabench评估中，该方法获得了8.40分的成绩，展示了简单的后端语言归一化技术能够与更复杂的端到端系统相竞争。该论文共5页，包含2张图，已提交至与Interspeech 2026合办的TidyVoice挑战赛。这项工作的意义在于，它表明在复杂任务中，简单的后处理步骤有时可以带来显著的性能提升，并且易于复现和集成到现有系统中。