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
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
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。
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
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
提出了一种自我对比无监督信号的方法,用于学习从原始音频中去识别的 prosody 表示,可以用于语音理解的新基准测试 DAMMP,检验了该方法所学到的非 timbral prosody 子组件,已达到部分去识别的效果。
Jul, 2021
本文基于差分隐私原理给出了关于基于文本转换的去识别化方法的形式化隐私保证,并探究了不同的掩盖策略对与自然语言处理任务的影响。作者发现,只有通过深度学习模型进行逐字替换的方法是在多个任务中具有鲁棒性的。
Aug, 2020
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。
Nov, 2020
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
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