本文研究了语音信号的音色及其属性检测（vTAD）。结果表明，ECAPA-TDNN编码器在已见场景中表现优异，而FACodec编码器在未见场景中具有更好的泛化能力。

DiffSpEx是一种基于分数的生成建模的目标说话人提取方法，使用ECAPA-TDNN目标说话人嵌入，并交替将分数函数调整到SDE时间嵌入和目标说话人嵌入上。它在WSJ0-2mix数据集上展示了潜力，实现了12.9 dB的SI-SDR和3.56的NISQA得分。预训练的DiffSpEx模型微调到特定说话人能进一步提高性能，实现了目标说话人提取中的个性化。