本研究提出了一种新颖的WSI框架，利用预训练的Whisper模型在多语言环境中进行说话人识别。通过联合损失优化，该方法显著提升了非英语语言的识别性能。

本研究探讨了梅尔频谱图和梅尔频率倒谱系数在说话人识别中的重要性，并通过评估不同模型架构的性能验证了模型对口音和性别的准确性。研究还展示了深度学习在说话人识别中的潜在影响。

SincNet是一种新的卷积神经网络模型，可直接处理从原始波形中提取的语音。它使用参数化sinc函数，具有更快的收敛速度和更好的性能。在说话人识别和语音识别方面得到了实验验证。