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
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。
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
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。
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
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
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