说话人匿名化

该文针对语音痴呆检测中机器窃听转录与人类窃听声纹两类威胁，用关键词对齐的累积信号对抗混淆破坏转录、用梯度反转加互信息选维加噪抑制声纹，在 Pitt 语料上报告痴呆 F1 约 0.78 而说话人识别近机会水平，代价是信号级信噪比明显为负。

论文针对端到端全双工语音对话模型常开大语言模型隐状态是否泄露说话人身份这一问题，用 ECAPA-TDNN 探测器按 VoicePrivacy 2024 协议审计 SALM-Duplex 和 Moshi 并提出基于 Stream-Voice-Anon 的波形级与特征级两种流式匿名化，最强证据是 SALM-Duplex 离散基线等错误率从 11.2% 升至 …

针对解耦后内容与韵律流中残留的说话人属性，该工作在训练好的匿名框架上加针孔损失微调以压低同源匿名话语的可聚类性，在三种基线与四种伪说话人策略上一致提升等错误率而词错误率与情感召回仅小幅波动。

针对神经音频编解码流式匿名中情感被续写偏置抹平的问题，论文用同说话人中性提示配情感源重构监督并在慢自回归声学隐状态做帧级蒸馏，在 VoicePrivacy 2024 上把情感保留推到流式最优，同时延迟保持 180 ms 且推理不新增模块。

VerAno 用受限码本的自监督 VQ-VAE 过滤说话人音色、再用条件流匹配重建梅尔谱，在 VPC 2024 上以 CB128 取得隐私与内容情感兼顾的前两名综合排名，代价是码本放大后隐私下降。

Zero-VC 针对流式零样本声音转换中音色泄漏与韵律保留难以兼得且基频补偿引入前视延迟的问题，用说话人匿名化做扰动并配全因果编码解码器，在 20 毫秒单帧算法延迟下取得源相似度 0.171、目标相似度 0.521 与 FPC 0.688，代价是可懂度略逊于最优非流式基线且训练仍依赖外部匿名化模块。

该文把说话人匿名与内容匿名放在同一个声学令牌空间里做，用逐帧混合比例 β 融合编码器令牌与音素派生令牌并以命名实体识别触发敏感片段强制替换，在 VoicePrivacy 2024 上以 β=0.7 取得 EER 42.54% 与 WER 3.73%，代价是情感保持 UAR 40.11% 低于同类混合基线。

针对病理语音匿名需保留诊断线索的问题，Phy-VC 用发音到声道几何再到共振的物理瓶颈代替无约束谱包络估计，在只用标准语音训练下提升口吃与老年语音的可懂度与韵律并保持匿名，主代价是鼻音建模仍限于全极点滤波器。

针对语音匿名后词错误率与人耳可懂度脱节的问题，该研究用 96 组最小对立体做众包实测可懂度，并让 12 个语音识别模型同样参加二选一测试，发现多模型硬投票在条件聚合上达到 0.985 的决定系数，而后验置信加权没有带来增益。

针对匿名化语音仍残留说话人线索的问题，DAST 用 Fbank 与 WavLM 双流中层融合加原始语音、转换语音、目标匿名语音三阶段训练，在 VPAC 七个系统上以等错误率衡量实现更强攻击，而仅用 10% 目标数据微调就超过现有最优的代价是仍需目标系统数据做适配。

论文用相位声码器时间尺度变换做前端匿名，研究其对语速停顿等交际特征和高层评分的影响，最强证据是微调后匿名与原始词错误率差距缩小到 0.17 个百分点，代价是停顿计数等切分细节仍有波动且说服力构念相关偏低。

针对解耦不彻底导致内容与韵律流残留说话人可链接性的问题，该文在冻结说话人编码器下用针孔损失微调内容编码器、韵律编码器与波形生成器，探测显示学习型韵律泄漏明显下降而词错误率与情感召回仅小幅波动。

该研究用说话人去标识任务同时检验验证抵抗、软生物属性、检索重识别、嵌入结构和可懂度五个维度，显示没有系统在全部维度占优且最保护隐私的系统可懂度损失最大。

DECAF 针对云端语音传输中声纹泄露问题，选择只量化传输内容嵌入并在接收端用共享典型说话人重建，在 0.5 kbps 下报告 43.5% 等错误率和相对 33.2% 词错误率下降，但未压缩时仍需承担重建与微调依赖。

论文以 129 万条英语 VoxTube 语音为共同源集，用嵌入变换、隐空间转换与负引导合成三族七种方法生成内容对齐的匿名语料，并以每版独立训练说话人验证模型与会话级链接实验，报告了强抑制压缩说话人空间而高效用版本残留可链接线索的权衡。

共收录 127 篇 eusipco-2026 会议论文的 Reader 深度解读

针对环境录音中可懂语音的隐私问题，论文用语音活动检测加语音分离定位语音后再做分段波形反转，在 CitySpeechMix 上报告词错误率 97.9%、声源分类准确率下降 2.7%、FAD 为 1.40，代价是确定性反转可被二次处理部分恢复，需重排序增强鲁棒性并损失音质。

共收录 147 篇 aaai-2026 会议论文的 Reader 深度解读

针对声音匿名化中情感保留被硬标签平均召回低估不确定性的问题，该研究把语音情感识别输出换成概率与对数值并比较原始与匿名化嵌入距离，用 23 人 MUSHRA 主观评分为准，发现概率向量欧氏距离与人耳判断高度相关且不再依赖真值标注，但属性预测表示仍弱于类别表示。

论文把匿名评估从说话人验证的二值判定改到对特征表示的相似度排序，用秩泄露的平均与最坏比特揭示 2024 VoicePrivacy Challenge 中与等错误率矛盾的系统弱点，但结论依赖半知情强攻击与 40 人排序池。