语音生物特征识别研究中的基准数据集动态、偏差与隐私挑战

说话人识别是一种广泛使用的基于语音的生物特征技术，应用于银行、教育、招聘、移民、执法、医疗和福祉等多个行业。然而，尽管数据集评估与审计已改善了人脸识别及其他计算机视觉任务中的数据实践，说话人识别中的数据实践在很大程度上未受质疑。我们的研究旨在通过探究数据集使用随时间的演变及其对说话人识别系统中偏差、公平性与隐私的影响，来填补这一空白。先前研究已证明流行的说话人识别基准中存在历史、代表性与测量偏差。本文呈现一项针对 2012 至 2021 年间用于训练与评估的说话人识别数据集的纵向研究。我们调查了近 700 篇论文，以考察社区对数据集的采用情况，以及说话人识别方法向深度神经网络广泛过渡这一关键时期内的使用变化。我们的研究确定了该领域最常用的数据集，考察了其使用模式，并评估了影响偏差、公平性及其他伦理关切的属性。我们的发现指出了说话人识别技术伦理与公平性方面进一步研究的若干方向。