本篇研究提出 WinoST 挑战集，用于针对性别偏见进行演讲翻译的评估，并使用最先进的端到端演讲翻译系统在四个语言对上进行了性别准确性评估。

Oct, 2020

本研究探讨无需转录的直接语音翻译模型在性别翻译方面的性别偏见及其潜在危害，并比较不同方法通知模型说话人性别信息的效果，结果表明性别感知模型相比于无性别感知模型在性别标记词的翻译准确率上可提高30个百分点，同时保证总体翻译质量。

Dec, 2020

本研究旨在通过生成潜在说话者嵌入空间中的采样来实现生成没有对应任何现有人物的性别不明確的语音助手，结果表明该方法能够有效且自然地生成新颖的声音，能够满足不同用户需求。

Nov, 2022

本文介绍了通过使用历史上由语音科学家开发的语音特征来测试性别推断攻击，以及使用语音特征获取对防护修改如何改变语音信号的洞察；最后，指出应使用人工执行的声音适应性来改进可解释性并实现麦前保护的新型“语音对手”来比较性别保护算法。

Jun, 2023

通过使用属性预测器对韵律事件进行条件对齐，我们提出了一种减少性别偏见的方法，在不降低整体歌唱声音转录性能的情况下，显著减少了性别偏见，从而提供更好的公平性-实用性权衡。

Aug, 2023

通过使用一个数据增强技术，我们可以减轻性别偏见问题，在语音识别系统中模拟女性说话者的声音，增加各性别组内的变异性，并显著提高女性说话者的识别准确性。

Oct, 2023

用于语音翻译系统的控制说话者性别变化的解决方案通过使用性别特定的外部语言模型，在性别准确性方面比基本模型和最好的训练时间缓解策略分别提高了31.0和1.6个百分点，特别是在说话者的声音特征与性别相冲突的情况下，增益甚至更大（最多32.0和3.4个百分点）。

Oct, 2023

多任务、多语种模型在语音识别中的广泛应用，虽然适用于多种语言，但仍存在在性别间表现差异的问题。我们通过系统评估多语种ASR系统在性别表现差异上的问题，并发现了明显的性别差异。在19种语言的三个数据集上，我们使用两种流行的模型，跨越了七个语系。尽管在声调、说话速度等语音学变量方面没有显著差异，并且模型内部状态的分析显示探针性能与性别差异之间存在负相关。也就是说，在一个语言中更容易区分说话者性别时，模型更倾向于女性说话者。我们的研究结果表明，尽管多任务和多语种方面取得了很大进展，但性别间的差异问题仍未解决。我们提供了有价值的首批关于多语种ASR系统性别差距评估的见解。我们将所有代码和相关资料发布在此 https URL

Feb, 2024

通过展示三个讲话者沿性别轴线调节声音的Versatile Voice Dataset (VVD)，研究论证了当前基于性别的语音建模方法未能考虑到声道的灵活性，而利用公开可获得的说话者嵌入，性别分类系统对声音调节非常敏感，而说话者验证系统在声音变化较大时无法识别为同一位讲话者。研究提议以个体特质声音纹理，如音调、共鸣和重量，作为跳出分类和静态说话者认同的一条路径。

Jul, 2024

本研究针对大型语言模型（LLMs）在自然语言生成中放大性别相关社会偏见的问题，提出了GenderCARE框架，以构建灵活而全面的评估标准、偏见评估、减少技术及评估指标。研究表明，该框架能显著减少性别偏见，且在保持模型性能的同时，实现过90%的偏差降低，为实现LLMs的公平性和公正性提供了新的解决方案。

Aug, 2024