语音作为语言的声音表现形式，不仅包含了语言语义信息，同时也传达了说话人语种、性别、年龄、情感、信道、嗓音、病理、生理、心理等多种丰富的副语言语音属性信息。以上这些语言语音属性识别问题从整体来看，其核心都是针对不定时长文本无关的句子层面语音信号的有监督学习问题，只是要识别的属性标注有不同。
近年来，声纹识别的研究趋势正在快速朝着深度学习和端到端方向发展，其中典型的就是基于句华晨宇爸爸华福雄子层面的做法。在网络结构设计、数据增强、损失函数设计等方面还有很多工作去做，还有很大的提升空间。
在实际应用中，由于对基于语音的访问控制需求的不断增长，提升声纹识别系统在短时语音情况下的性能变得尤为迫切。短时语音中说话人信息不足以及注册和测试语音的文本内容不匹配，对于主流的基于统计建模的声纹识别系统是一个严峻的挑战。
目前采用的深度说话人识别方法首先利用神经网络提取前端的帧级特征，然后通过池化映射获得可以表示说话人特性的段级向量，后采用 LDA/PLDA 等后端建模方法进行度量计算。
相对于传统的 i-vector 生成过程，基于深度学习的说话人识别方法优势主要体现在区分性训练和利用多层网络结构对局部多帧声学特征的有效表示上。如何进一步改进现有的深度说话人学习方法是现阶段的一个研究热点。
生成式对抗网络 (GAN) 的主要目的是用在数据生成、降噪、等很多场景里面。它还被用在领域自适应里面，形成一个新的分布。第三个广泛的应用是生成对抗样本，这会对分类系统产生大的困扰。很多研究者用对抗样本机器学习的系统，在原始数据上增加一些扰动，生成样本，经过神经网络之后就有可能识别成完全不同的结果。这个思想在图像处理领域非常活跃，会造成错误识别，引起了自动驾驶，安全等领域的研究人员的广泛关注。
在语音领域，GAN 可以用在语音识别、口音自适应上，通过多任务学习和梯度反转层来进行口音或信道的自适应，然后加上其他方法可以得到较好的效果。声纹识别也存在各种不匹配的问题，在声纹识别上也可以使用这一思想。同样的思想也用在了 TTS 语音合成领域，目的是把不同的音素解耦成说话人，风格等，去除噪声对建模的影响。
说话人识别和检测近年来受到学术界和业界的广泛关注，人们希望在实际应用中设计出高性能的系统。基于深度学习的方法在该领域得到了广泛的应用，在说话人识别和反方面取得了新的里程碑。然而，在真实复杂的场景下，面对短语音、噪声的、信道失配、大规模等困难，开发一个鲁棒的系统仍然常困难的。深度嵌入学习是进行说话人识别和反的一个重要途径，在这方面已有一些的研究。如之前的 d-vector 特征和当前普遍使用的 x-vector 特征。
结语：目前，指纹识别、人脸识别已经被大众所熟知，但同样作为生物识别的声纹识别，还处于技术挑战的前沿地带。据声纹识别企业快商通分析，当下全球生物识别产业规模庞大，仅声纹识别这一细分方向的市场规模就将近百亿美元，预计2020年更是有望超过200亿美元(合1346亿元人民币)，占整个生物识别市场的22.4%。