无参考对抗性性别隐化语音
音频与语音处理
2025-08-05 v1 声音
摘要
语音中的性别转换涉及数据收集的隐私风险，通常即使在目标说话人参考不可用时，其输出仍残留性别特定线索。我们提出 RASO（Reference-free Adversarial Sex Obfuscation，无参考对抗性性别隐化），其创新点包括：1）性别条件对抗学习框架，以解耦语言内容与性别相关声学特征；2）显式正则化，将基频分布和共振轨迹与来自性别平衡训练数据的性别中性特征对齐。RASO 能够保留语言内容，且即使在半信息攻击模型下，也显著优于现有性别隐化方法。
引用
@article{arxiv.2508.02295,
title = {Reference-free Adversarial Sex Obfuscation in Speech},
author = {Yangyang Qu and Michele Panariello and Massimiliano Todisco and Nicholas Evans},
journal= {arXiv preprint arXiv:2508.02295},
year = {2025}
}