利用解耦语音表示保护性别与身份隐私
声音
2021-06-18 v2 机器学习
音频与语音处理
摘要
除语言内容外，我们的语音富含可被分类器推断的生物特征信息。学习隐私保护的语音信号表示可在不共享关于个体的不必要私人信息的情况下支持下游任务。本文表明，在生成非敏感语音表示时，保护语音中的性别信息比仅建模说话人身份信息更有效。我们的方法依赖于利用变分自编码器通过解码语言内容与性别信息来重建语音。具体而言，我们利用解耦表示学习将不同属性的信息编码到可独立分解的分离子空间中。我们提出一种在隐私保护设定下编码性别信息并解耦性别与身份这两个敏感生物特征标识符的新方法。在 LibriSpeech 数据集上的实验表明，性别识别与说话人验证可被降至随机猜测水平，从而抵御基于分类的攻击。
引用
@article{arxiv.2104.11051,
title = {Protecting gender and identity with disentangled speech representations},
author = {Dimitrios Stoidis and Andrea Cavallaro},
journal= {arXiv preprint arXiv:2104.11051},
year = {2021}
}
备注
5 pages, 2 figures