自监督语音模型倾向于优先学习语音学内容，而将说话人身份作为附带考虑——这对ASR来说可以接受，但对说话人验证、说话人分段或语音克隆则表现不佳。来自Microsoft的UniSpeech-SAT通过在HuBERT风格的预训练中注入显式的说话人感知目标来弥补这一空白：一个话语级别的对比损失和话语混合，强制编码器学习谁在说话，而不仅仅是在说什么。

收益体现在SUPERB基准测试中，UniSpeech-SAT在说话人识别、验证和分段上表现尤其突出，同时在ASR和音素识别上保持竞争力。本讲座深入讨论了话语混合的构造方式、额外的对比项如何不影响内容学习，以及该设计如何为之后的WavLM铺平道路。如果你正在构建任何需要区分声音的系统——从会议转录到生物识别认证——这值得你花费10分钟。