VoicePrivacy Challenge 旨在通过聚集新社区来定义利益任务和评估方法，以及通过一系列挑战来基准测试解决方案，从而促进语音技术的隐私保护工具的发展。本文介绍了 VoicePrivacy 2020 挑战中选择的语音匿名化任务并描述了用于系统开发和评估的数据集，还介绍了攻击模型和相关的客观和主观评估指标。我们介绍了两个匿名化基线并报告了客观评估结果。
May, 2022
开发一种声音匿名化系统，隐藏说话者的声音身份同时保护语言内容和情感状态。
Apr, 2024
该研究论文旨在研发一种语音匿名化系统，以隐藏说话者的身份并保护语言内容，语用属性，可理解度和自然度。研究提供数据集，基础匿名化系统，评估脚本和度量标准，并邀请参与者提交他们的匿名化系统并提交匿名化语音数据以进行评估。
Mar, 2022
该论文讨论了语音用户界面的增长，以及由此带来的语音数据收集和存储问题。研究提出了匿名化语音和度量匿名程度的解决方案，并介绍了评估协议需要考虑的挑战，最后探讨了一种新的攻击方法以逆转匿名化。
Aug, 2023
该研究研究了在语音隐私保护的 VoicePrivacy 2020 Challenge 中对说话人匿名化基线系统对语音情感信息的影响，结果表明该系统对知情攻击者未能抑制说话人的情感，且匿名化后的语音相比原始语音情感识别性能下降了 15%，与其保留语言信息的评估方式使用自动语音识别得到的结果类似。
Apr, 2023
本文考察了基于语音转换的匿名化方法，在三种攻击情景中比较了两种基于频率扭曲的转换方法和一种基于深度学习的方法，结果表明语音转换方案不能有效地防止具有广泛知识的攻击者，但可能为不太熟悉的攻击者提供一定的保护。
Nov, 2019
本研究关注于一项针对基于语音的 COVID-19 诊断的健康监测应用，测试了两种常见的匿名化方法并将其应用于三个公共数据集，验证了匿名化方法的有效性并量化了在不同测试场景下的影响，最后展示了匿名化作为数据增强工具的益处。
本研究设计了一种新的严格的隐私度量标准 - 声音可区分性，扩展差分隐私，提出了扩展差分隐私机制和框架，以实现满足声音可区分性的隐私保护语音数据发布，并在公共数据集上验证了所提出方法的有效性和效率。
Apr, 2020
本文主要介绍 2018 年语音转换挑战赛，包括任务及相关技术和结果总结。
Apr, 2018
本文提出了一种名为 V-Cloak 的语音匿名化系统，它能够实现实时语音匿名化，同时保持音频的可懂性、自然度和音色，通过实验结果验证了 V-Cloak 具有较好的匿名性能和鲁棒性，并能够实现不受限的和定向的匿名化，同时保证声纹的不可识别性和不可链接性，从而防止语音数据被用于身份推断和盗用。
Oct, 2022