May, 2020

X-vector 基础发言人匿名化的设计选择

PDF
TL;DR本文针对 VoicePrivacy Challenge 设计了一种基于 x-vector 的柔性伪说话人选择技术，并探索了多种设计选择以评估它的匿名化和实用性，同时使用 LibriSpeech 数据集进行实验，报告了匿名数据的 Equal Error Rate（EER）和解码 Word Error Rate（WER）。
x-vectoranonymizationvoiceprivacy challengeequal error rate (eer)word error rate (wer)
发现论文，激发创造
  • 使用 X - 向量和神经波形模型进行说话者匿名化

    研究表明，使用新的说话人匿名方法来提取语言和说话人身份特征，使用神经声学和波形模型来合成匿名的语音可以有效掩盖说话人身份，同时保持高质量的匿名语音。

    May, 2019

  • 说话者匿名化中使用 X 向量对韦伯漂移进行补偿

    本文研究了基于 X-Vector 的说话人匿名化方法，探讨了其匿名化本质和虚拟说话人 X-Vector 特征之间的不匹配现象，提出了一种针对声码器漂移进行补偿的新方法。该方法在降低声码器漂移的同时提升了对 X-Vector 特征的更精细控制，为未来匿名化方法的改进打下了基础。

    Jul, 2023

  • 评估基于语音转换的隐私保护对抗已知攻击者的有效性

    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

  • 针对 X-Vector 的语音假名化中，基于 F0 修改的性别差异研究

    本研究基于 VoicePrivacy 2020 挑战，目的在于对语音进行偏执匿名化，使其不可辨认的同时保持可理解性。通过改变基频等次要语音特征进行偏执匿名化可以取得更好的效果，且源和目标说话者的性别也会影响效果。

    Jan, 2021

  • 匿名化语音：评估和设计说话人匿名化技术

    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

  • 使用解耦表示构建说话人匿名系统是否足够？

    本研究通过使用向量量化技术，加强从声学模型中提取特征时的内容和说话人信息的分离，从而改进说话人匿名化技术，并在 VoicePrivacy 2022 工具包上验证了该方法的有效性。

    Aug, 2022

  • Zero-shot 伪造语音进行说话人去识别

    提出了一种名为 DeID-VC 的系统，利用变分自编码器（VAE）生成伪人声以保护用户的语音隐私，可在发言者或话语层面分配独特的伪人声，并通过两个新的学习目标缩小了训练和推理之间的差距，实验结果表明与基线相比，DeID-VC 方法在可读性和去识别性方面都有显著改善。

    Sep, 2022

  • 使用向量量化进行保护隐私的语音表示学习

    本文提出了一种匿名表示方案，使用矢量量化来限制表示空间并通过禁止说话人身份信息实现对隐私的保护，从而在保留语音识别的基础上实现说话人匿名化。

    Mar, 2022

  • 基于对说话人嵌入进行对抗扰动的异步语音匿名化

    本文研究声音匿名化技术，重点探讨改变语音特征以防止机器识别但保留人类感知的异步声音匿名化方法，采用包含说话人解缠机制的语音生成框架生成匿名语音，并通过对说话人嵌入进行对抗扰动改变说话人特征，同时通过控制扰动强度保留人类感知。实验结果表明，在 LibriSpeech 数据集上处理的 utterances 中，60.71％的处理结果达到了说话人特征的匿名化且保留了人类感知。

    Jun, 2024

  • VoicePrivacy 2022 挑战赛评估计划

    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