对匿名化技术在病理性语音中的影响进行了研究，发现它可以增强隐私性，同时强调了为了应对逆向攻击，需要采用定制化方法来平衡隐私和诊断效用。

Apr, 2024

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

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

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

最近的语音隐私研究主要集中在匿名化声学说话者属性，但对于保护语音内容的信息研究较少。本文引入了一个玩具问题，探讨了一种被称为 “内容隐藏” 的新型隐私保护方法，该方法隐藏了语音中的选定单词和短语。通过改变预训练的向量量化变分自编码器（VQ-VAE）生成的离散电话表示（电话代码）序列并通过 WaveRNN 重新合成的方法，我们评估了一个基准掩码技术。我们对三种不同的掩码位置和三种掩码策略进行了研究：噪声替换、单词删除和电话序列反转。我们着重研究了掩码对自动语音识别（ASR）和自动说话者验证（ASV）这两个后续任务的影响，并讨论了如何影响隐私目标的这些问题。

Jan, 2024

VoicePrivacy 倡导发展语音技术的隐私保护工具，在声音匿名化任务和相关数据集和攻击模型等方面提出挑战，并报告了基于两个匿名化基线的客观评估结果。

May, 2020

本研究主要围绕使用智能语音分析技术对新冠肺炎确诊患者进行分类，从而测定患者病情、睡眠质量、疲劳和焦虑状况等方面的状态，采用支持向量机等算法进行建模和分类，结果表明该方法可以低成本、快速、方便地自动检测新冠肺炎。

Apr, 2020

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