利用对抗学习提升说话人匿名化评估对目标说话人的鲁棒性
音频与语音处理
2026-01-21 v2 机器学习
摘要
当前说话人匿名化的隐私评估在使用相同性别目标选择算法（TSA）时往往高估隐私，尽管该TSA会泄露说话人的性别信息，因此应当更加脆弱。我们假设这是因为评估未考虑匿名化语音中同时包含源说话人和目标说话人信息这一事实。为解决这一问题，我们提出添加一个目标分类器来衡量目标说话人信息在评估中的影响，该分类器也可通过对抗学习移除。实验证明该方法对多种匿名化器均有效，特别是在使用相同性别TSA时，能够实现更可靠的评估。
引用
@article{arxiv.2508.09803,
title = {Improving the Speaker Anonymization Evaluation's Robustness to Target Speakers with Adversarial Learning},
author = {Carlos Franzreb and Arnab Das and Tim Polzehl and Sebastian Möller},
journal= {arXiv preprint arXiv:2508.09803},
year = {2026}
}
备注
Accepted to ICASSP 2026