[論文レビュー] Voice-Indistinguishability: Protecting Voiceprint in Privacy-Preserving Speech Data Release

Yaowei Han, Sheng Li+3 more|arXiv (Cornell University)|Apr 16, 2020

Speech Recognition and Synthesis参考文献 25被引用数 6

ひとこと要約

本稿では、音声データ公開における発話者プリントの保護を目的とした、微分プライバシーに基づく新規メトリクス「音声識別不能性」を導入する。x-vector表現とノイズ注入を用いて、強力なプライバシー・ユーティリティトレードオフを達成する2つのフレームワーク（特徴レベルおよびモデルベース）を提案し、公開データセット上で低いCERと高いMOSスコアにより検証された。

ABSTRACT

With the development of smart devices, such as the Amazon Echo and Apple's HomePod, speech data have become a new dimension of big data. However, privacy and security concerns may hinder the collection and sharing of real-world speech data, which contain the speaker's identifiable information, i.e., voiceprint, which is considered a type of biometric identifier. Current studies on voiceprint privacy protection do not provide either a meaningful privacy-utility trade-off or a formal and rigorous definition of privacy. In this study, we design a novel and rigorous privacy metric for voiceprint privacy, which is referred to as voice-indistinguishability, by extending differential privacy. We also propose mechanisms and frameworks for privacy-preserving speech data release satisfying voice-indistinguishability. Experiments on public datasets verify the effectiveness and efficiency of the proposed methods.

研究の動機と目的

• 音声データ公開における発話者プリント保護の分野において、形式的なプライバシーディフィニションの欠如に取り組むこと。
• 攻撃者の背景知識に依存しないプライバシーメトリクスを構築し、強固なプライバシー保証を実現すること。
• 言語的コンテンツを保持しながら発話者アイデンティティを隠蔽することで、プライバシーとユーティリティのバランスを図ること。
• 異なるレベルの摂動（特徴レベル対モデルベース）を用いた発話者プリント匿名化のための実用的フレームワークを設計すること。
• 公開音声データセットを用いた客観的および主観的評価を通じて、提案手法の実証的検証を行うこと。

提案手法

• メトリクスプライバシーを拡張し、発話者プリントを表すx-vector間の距離に基づく、形式的なプライバシーノーション「音声識別不能性」を定義する。
• 微分プライバシーの原則を適用し、x-vectorにノイズを注入することで、類似度に比例したプライバシーを保証する。
• 2つのフレームワークを提案：特徴レベルフレームワークはx-vectorを直接摂動し、モデルベースフレームワークはエンドツーエンド音声認識学習中にノイズを適用する。
• x-vectorを発話者プリント表現として用い、プライバシー予算（ε）の適合を保証するため、メカニズムの感受性に基づいたノイズスケーリングを実施する。
• 接続主義的時系列分類（CTC）を用い、文字単位のラベルとバッチ正規化を組み合わせ、摂動済みデータ上で頑健なASRモデルを訓練する。
• ユーティリティは文字誤り率（CER）で、自然さは平均意見スコア（MOS）で評価し、15名の聴取者を対象とした主観的聴取テストを実施する。

実験結果

リサーチクエスチョン

• RQ1 攻撃者の背景知識に関する仮定に依存しない、発話者プリント保護のための形式的プライバシーメトリクスを定義できるか？
• RQ2 音声データ公開における発話者プリントプライバシーは、どのように定量的に測定され、保証されるか？
• RQ3 発話者プリント匿名化済み音声データにおいて、プライバシーとユーティリティのトレードオフはどのようなものか？
• RQ4 異なる実装レベル（特徴レベル対モデルベース）は、時間計算量とパフォーマンスにどのように影響を与えるか？
• RQ5 提案手法は、匿名化後も音声認識のユーティリティをどの程度維持できるか？

主な発見

• 提案された「音声識別不能性」メトリクスは、攻撃者の知識に依存しない数学的に根拠のあるプライバシー保証を提供する。
• プライバシー予算εが大きいほど、文字誤り率（CER）が低下し、ノイズ耐性が高いほどユーティリティが向上することが確認された。
• 主観的評価では、自然さのための高いMOSスコアと顕著な類似度の欠如が得られ、音声品質を損なわず有効なプライバシー保護が実現された。
• モデルベースフレームワークは、特徴レベルフレームワークと比較して時間計算量をO(n²)削減し、特に大規模データセットにおいて顕著な利点を示した。
• 両フレームワークとも、CERがεの増加に伴い低下する傾向を示しており、プライバシーとユーティリティのバランスが図られ、ノイズ注入機構の有効性が裏付けられた。
• 本手法は、発話者認証攻撃を効果的に緩和しつつ、自動音声認識タスクにおいて高いパフォーマンスを維持した。