以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
A voice agent's speech recognizer transcribes everyone near the microphone, including people other than the caller. I fine-tuned a public causal target-speaker extraction model (REAL-TSE, 27M parameters) on one GPU to work from a voice sample cut from the call itself, and released it as VoxLock. I score it by what a re
阅读原文 · Arbaz Siddiqui
向阳乔木 · opencode-go/deepseek-v4.1-flash
语音 Agent 有个容易被忽略的工程问题：麦克风会把周围所有人说的话都收进来，识别器照单全收。会议室里同事插一句、咖啡店里邻桌聊天，都可能变成转写文本的一部分。 VoxLock 针对的就是这件事。它做目标说话人提取，但不需要用户提前录一段声纹注册，而是从通话本身切出一小段声音当参考，再把其他人的声音压掉。作者只用一个 GPU 微调了公开的 REAL-TSE...