语音匿名化对语音诊断应用的影响：以 COVID-19 检测为例的研究

随着深度学习的进展，基于语音的应用蓬勃发展，从个人助理、情感计算到远程疾病诊断。由于语音包含语言学和副语言学信息（例如，嗓音音高、语调、语速、响度），人们对语音匿名化以保护说话人隐私和身份的兴趣日益增长。过去几年出现了语音隐私挑战，其重点在于去除说话人身份的同时保持语言内容完整。然而，对于情感计算和疾病监测应用，副语言学内容可能更为关键。遗憾的是，匿名化对这些系统的影响在很大程度上仍属未知。在本文中，我们填补了这一空白，并聚焦于一个特定的健康监测应用：基于语音的 COVID-19 诊断。我们测试了三种匿名化方法及其对五个不同最先进 COVID-19 诊断系统的影响，使用了三个公开数据集。我们验证了匿名化方法的有效性，比较了它们的计算复杂度，并量化了在不同测试场景下（包括数据集内与跨数据集条件）的影响。此外，我们全面评估了不同语音方面对诊断的重要性，并展示了它们如何受到不同类型匿名化器的影响。最后，我们展示了使用匿名化外部数据作为数据增强工具的好处，有助于恢复因匿名化而损失的部分 COVID-19 诊断准确率。