语音病理对自动语音验证的影响:一项大型研究
Soroosh Tayebi Arasteh1,2,3, Tobias Weise4,5, Maria Schuster6
1Pattern Recognition Lab, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91058, Erlangen, Germany. soroosh.arasteh@fau.de.
Scientific reports
|November 22, 2023
概括
病理性语音数据带来隐私风险. 对于扬声器验证的深度学习显示,在听力障碍等条件下,重新识别风险增加,但合并不同的病理语音可以提高准确性.
科学领域:
- 语音处理 语音处理
- 生物识别信息 生物识别信息
- 数据 隐私 数据 隐私 数据
背景情况:
- 访问可靠的病理语音数据对于数据驱动的语音处理至关重要.
- 公共数据集通过重新识别攻击,冒着患者健康信息暴露的风险.
研究的目的:
- 使用自动扬声器验证 (ASV) 评估与病态语音数据相关的隐私风险.
- 评估各种语言障碍和人口统计学对重新识别风险的影响.
主要方法:
- 使用深度学习驱动的自动语音验证 (ASV) 方法在一个大型的现实世界病理语音群体 (>3800名受试者) 上.
- 分析了不同年龄组的重新识别风险,语言障碍 (失声症,失声症) 和儿科疾病 (裂唇和).
主要成果:
- 病理性言语比健康的言语具有更高的隐私侵犯风险.
- 患有失声症的成年人面临着高度的重新识别风险;失声症的风险与健康的说话者相似.
- 语音可理解性没有影响ASV的表现,但录制环境对于儿科病例至关重要.
结论:
- 合并不同的病理语音数据显著降低了相同错误率 (EER),提高了ASV的有效性.
- 调查结果强调了在处理病态语音数据以验证说话者时,强有力的隐私措施的必要性.
- 这项研究为在数字医疗保健中保护患者隐私的策略提供了信息.
