DAST: 段階的トレーニングを備えたデュアルストリーム音声匿名化攻撃者

要旨: 音声匿名化は言語内容を保持しつつ声の特徴をマスクしますが、話者固有のパターンが依然として漏れる可能性があります。プライバシー評価を評価・強化するために、スペクトル特徴と自己教師付き学習特徴を並列エンコーダで融合させ、三段階の訓練戦略を用いるデュアルストリームの攻撃者を提案します。ステージIは基礎的な話者識別表現を確立します。ステージIIは、音声変換と匿名化の共通の同一性変換特性を活用し、モデルを多様な変換済み音声にさらすことで、システム横断の頑健性を構築します。ステージIIIは、ターゲット匿名化データへの軽量な適応を提供します。VPACデータセット上の結果は、ステージIIが一般化の主な推進力であることを示し、未知の匿名化データセットに対しても強力な攻撃性能を可能にします。ステージIIIを用いると、ターゲット匿名化データセットのうちわずか10%のみをファインチューニングするだけで、EERの点で現状の最先端の攻撃者を凌駕します。