就在这里。一个非常快速的搜索发现了这个： Multimodal Speaker Identification Based on Text_and_Speech。

让我为您服务：（我的斜体字摘要）

基于语音话语及其转录文本的说话人识别新方法。

他们首先通过使用概率潜在语义索引 (PLSI)对每个说话者的转录文本进行处理，该索引对每个说话者与他/她的身份、功能或专业知识密切相关的词汇进行建模。

用户使用的语音到文本是 DARPA 在元数据提取 (MDE) 中的高效、经济、可重复使用的语音到文本 (EARS) 程序。

通过使用Melfrequency 倒谱系数 (MFCC) 并将动态范围量化为多个预定义的 bin，以便为每个语音话语计算 MFCC 局部直方图，该直方图与转录文本时间对齐。

为了测试，他们使用了由语言数据联盟分发的 RT-03 MDE 训练数据文本和注释语料库。

至于结果：使用 44 个扬声器时的识别率与 Probe ID。(a) PLSI 的平均识别率：69%；(b) MFCC：66%；(c) 两者：67%。

如果您需要更多相关论文，您可以使用https://the.iris.ai/ 之类的工具来查找相关论文。

帖子编辑：希望现在这篇文章符合标准。

说话人识别是相当广泛的研究领域。现代方法是将说话人信息映射到 i-vector，这是一个包含 200-400 个分量的实值向量，可以完全表征说话人。i-vectors 允许非常精确的说话人识别和验证。

有关更多信息，您可以查看 i-vector教程

您还可以查看NIST i-vector 挑战结果中的最新技术

对于实施，您可以查看 Kaldi 的以下说话人识别实验。

为了获得最佳精度 i 向量是使用 DNN UBM 提取的，请注意 GMM UBM 的精度较低。

有关说话人识别方法和算法的更深入信息，请查看这本教科书。

Deepmind 最近根据这些思路创建了一个语音合成器。它似乎非常慢，但有可能创建它的倾倒版本。

显然，该任务称为参数 TTS（文本到语音）。此概述可能会为您提供一些线索。