一句话定义：声纹识别（Speaker Verification）是让机器听一段语音，判断“说话的人是不是他声称的那个人”的技术。它认的不是说了什么，而是谁在说。
原理：每个人都是一把独一无二的琴
发声像演奏一件乐器：声带是琴弦，口腔、鼻腔、胸腔是琴箱，舌头和嘴唇负责按弦。每个人的琴弦长短松紧不同，琴箱大小形状不同，多年养成的咬字、语速、口音更是独特的“演奏习惯”。这些差异会体现在声音的频谱里——共振峰的分布、音高走向、能量起伏。
机器做的事分两步。第一步是注册：让本人读几段话，提取出一串固定长度的数字向量（embedding，嵌入向量），存成这把琴的“音色档案”。第二步是验证：来了一段新语音，同样抽成向量，跟档案比对，算一个相似度分数，超过阈值就判为同一人，否则拒绝。
中文里说的“声纹识别”，通常包含两个任务：1:1 验证（verification，确认你是你）和 1:N 辨认（identification，从一堆人里找出是谁）。英文里这两个词分得很清楚。
和相邻概念的区别
| 概念 | 回答的问题 | 是否关心具体身份 |
|---|---|---|
| 语音识别 ASR | 他说了什么内容 | 不关心 |
| 说话人分离 AI 词典：Diarization">Diarization | 这段会议里谁先说的、谁后说的 | 不关心，通常只标 A、B、C |
| 声纹识别 | 这是不是张三本人 | 关心，需要事先注册 |
可以这样记：ASR 把声音转成文字，说话人分离把声音切成几段并归堆，声纹识别则给其中某一堆贴上真名。三者常配合使用——会议记录先用分离切出说话人，再用声纹认领“这段是张经理说的”，最后用 ASR 转成文字。
对从业者和普通人的意义
行业里最常见的落地是电话客服、银行远程核身、呼叫中心质检和会议记录归属。对普通职场人来说，好处很直观：打客服电话不必再背身份证号、答一串验证问题，说几句话就能过。风险也同样直观：声音是生物特征，一旦泄露无法像密码那样改。所以工程上一般会加上活体检测（防录音重放）、多因素交叉验证，并明确告知和取得录音同意。
几个现实难点值得知道：录音太短、背景太吵、手机换座机这类信道差异、感冒或刻意模仿，都会拉低准确率。因此实际系统多采用文本相关的挑战式应答，比如让你随机念一串数字，同时兼顾防伪。具体产品的能力和合规要求，以官方页面为准。