基于神经音频编解码语言模型的说话人匿名化

绝大多数说话人匿名化方法涉及提取基频估计、语言特征和说话人嵌入，在利用声码器重新合成匿名语音波形之前，对该嵌入进行扰动以混淆说话人身份。近期研究表明，x-vector变换难以一致地控制：基频和语言特征中包含的其他说话人信息在声码化过程中重新纠缠，意味着匿名语音信号仍包含说话人信息。我们提出一种基于神经音频编解码（NACs）的方法，已知NACs与语言模型结合可生成高质量合成语音。NACs使用量化码，已知其能有效瓶颈化说话人相关信息：我们通过应用Voice Privacy Challenge 2022的评估框架，展示了基于NAC语言建模的说话人匿名化系统的潜力。