Nov, 2020

使用 McAdams 系数进行说话人匿名化

PDF
TL;DR本研究提出了一种无需训练数据的语音匿名化方法，利用 McAdams 系数转换语音信号的频谱包络，实现对说话人的匿名化保护，该方法不仅高效有效，而且在半知情的隐私对手下，成功降低了可靠的声纹识别，仅对可懂性产生少量的降级。
anonymisationspeaker recognitionmcadams coefficientvoiceprivacy 2020privacy adversary
发现论文，激发创造
  • 长期对话分析：探索实用性与隐私

    本研究提出了一种隐私保护的语音特征提取方法，通过降维、谱平滑和基于麦克阿达姆斯系数的低成本说话者匿名化技术，不仅提高了隐私保护性，还保持了对语音识别和说话人验证等应用的有效性。

    Jun, 2023

  • 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

  • 使用生成对抗网络实现语音匿名化，以保护说话人隐私

    本研究利用生成对抗网络与 Wasserstein 距离的 Speaker embeddings 生成方法，将其整合到语音转文字转语音的流程中，成功实现保护隐私的同时保持较高的效能表现。

    Oct, 2022

  • 评估说话人匿名在情感语音上的效果

    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

  • 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

  • 多语言讲话者匿名化的可行性探究

    通过对九种语言的组件进行转换，将说话人匿名化系统扩展到多种语言，并通过隐私攻击和语音退化测试证明了该系统的整体成功。结果表明，基于英语数据训练的说话人嵌入可以应用于多种语言，并且语音合成组件的质量主要影响该语言的匿名化性能。

    Jul, 2024

  • 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

  • 使用 f0 轨迹的函数数据分析提高说话人去识别能力

    本研究提出了一种新颖的说话者去识别方法，采用简单的共振峰偏移和基于函数数据分析的 f0 轨迹操作，可以在音素可控的方式下掩盖潜在的识别音调特征，提高了基于共振峰的语音匿名度最多达 25%。

    Mar, 2022

  • 低延迟语音匿名化端到端流模型

    提出了一种流式模型来实现低延迟的说话人匿名化，通过使用轻量级内容编码器、预训练的说话人编码器和变化编码器，将语音信息解耦为语音内容、说话人身份和音调能量信息，并通过解码器重新合成语音信号，该模型实现了 230ms 的延迟，并在自然性、可理解性和隐私保护方面保持了最先进的性能。

    Jun, 2024

  • 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