跨語言不匹配仍然是現代説話人驗證系統性能下降的主要來源之一。當訓練和測試使用不同語言時，説話人嵌入會包含語言相關的信息，導致驗證準確率顯著下降。TidyVoice 2026挑戰賽專門針對這一問題，設置了文本無關的説話人驗證任務。該挑戰包含3,666個訓練説話人和808個開發説話人，覆蓋40種語言，以及2,200個評估説話人，來自38種在訓練中未見過的語言，且在測試時不提供語言標籤，這極大地增加了任務的難度。
本研究從官方SimAM-ResNet34基線模型出發，該模型已在VoxBlink2和VoxCeleb2上預訓練，並在TidyVoice數據上進行了微調。作者重新審視了Nuisance Attribute Projection（NAP），這是一種經典但被忽視的技術，將其作為嵌入空間中的一種簡單語言歸一化步驟。具體來説，他們從跨語言相同説話人的差異中估計出一個緊湊的語言子空間，然後將嵌入投影到該子空間的正交補上，從而消除語言相關的變化。隨後，結合自適應對稱分數歸一化（AS-Norm）進行餘弦評分。
實驗結果表明，該方法在開發集上將等錯誤率（EER）從餘弦評分時的2.97%和AS-Norm時的2.70%降低到2.18%，相對改善約20%。在Codabench評估中，該方法獲得了8.40分的成績，展示了簡單的後端語言歸一化技術能夠與更復雜的端到端系統相競爭。該論文共5頁，包含2張圖，已提交至與Interspeech 2026合辦的TidyVoice挑戰賽。這項工作的意義在於，它表明在複雜任務中，簡單的後處理步驟有時可以帶來顯著的性能提升，並且易於復現和集成到現有系統中。