面向语音保护的未授权语音合成缓解技术

近年来，仅需少量语音样本即可完美复制说话人的声音，而恶意的语音滥用（例如，为谋取非法经济利益的电信诈骗）给我们的日常生活带来了巨大危害。因此，保护包含敏感信息（如个人声纹）的公开可访问语音数据至关重要。以往的大多数防御方法侧重于在音色相似度上欺骗说话人验证系统，但合成的深度伪造语音仍具有高质量。针对日益严重的危害，我们设计了一种有效、可迁移且鲁棒的主动保护技术，名为关键目标扰动（POP），它在原始语音样本上施加不可察觉的误差最小化噪声，以防止其被文本到语音（TTS）合成模型有效学习，从而无法生成高质量的深度伪造语音。我们在最先进的（SOTA）TTS 模型上进行了广泛实验，利用客观和主观指标全面评估了所提出的方法。实验结果表明，该方法在各种模型上表现出卓越的有效性和可迁移性。与在未受保护样本上训练的语音合成器产生的 21.94% 的语音不清晰度评分相比，受 POP 保护的样本将其显著提高至 127.31%。此外，我们的方法对降噪和数据增强技术表现出鲁棒性，从而大大降低了潜在危害。