[论文解读] The Third VoicePrivacy Challenge: Preserving Emotional Expressiveness and Linguistic Content in Voice Anonymization

Tomashenko, Natalia, Xiaoxiao Miao+8 more|arXiv (Cornell University)|Jan 17, 2026

Speech Recognition and Synthesis被引用 0

一句话总结

论文提出了 2024 年 VoicePrivacy Challenge，详细描述了在保留语言内容和情感状态的同时对说话人身份进行匿名化的任务设置，以及数据集、攻击模型、评估指标、基线和 36 个参赛系统。

ABSTRACT

We present results and analyses from the third VoicePrivacy Challenge held in 2024, which focuses on advancing voice anonymization technologies. The task was to develop a voice anonymization system for speech data that conceals a speaker's voice identity while preserving linguistic content and emotional state. We provide a systematic overview of the challenge framework, including detailed descriptions of the anonymization task and datasets used for both system development and evaluation. We outline the attack model and objective evaluation metrics for assessing privacy protection (concealing speaker voice identity) and utility (content and emotional state preservation). We describe six baseline anonymization systems and summarize the innovative approaches developed by challenge participants. Finally, we provide key insights and observations to guide the design of future VoicePrivacy challenges and identify promising directions for voice anonymization research.

研究动机与目标

• 在类似 GDPR 的约束下，通过隐藏说话人身份来推动隐私保护的语音处理研究。
• 保留语言内容和情感状态，以维持对 ASR 和 SER 等下游任务的效用。
• 描述挑战框架、攻击模型、数据集和评估指标，以基准匿名化方法。
• 提供基线系统并分析参与者的方法，以指导未来的 VoicePrivacy 研究。

提出的方法

• 定义一个话语级别的匿名化任务，用伪说话人替换说话人身份，同时保持内容和情感不变。
• 采用半知情的攻击模型，攻击者利用匿名化的注册信息通过 ASV 进行重新识别。
• 使用 LibriSpeech 和 IEMOCAP 数据进行开发/评估；在标准语料库上训练 ASV/ASR/SER 模型以评估隐私性与效用。
• 用 anonymized 数据下对 ASV 的 EER 提高情况来评估隐私；用 ASR 的 WER 和 SER 的 UAR 来评估效用。
• 提供六个基线匿名化系统（B1–B6），并总结 36 个提交系统的多样化方法。

Figure 1 : Privacy preservation scenario as a game between users and attackers in the case where speaker identity is considered as personal information to be protected using anonymization, while linguistic and emotional content should be preserved for utility downstream tasks. Privacy evaluation of

实验结果

研究问题

• RQ1 说话人身份在保持语言内容和情感状态的同时是否可以在话语中得到有效隐藏？
• RQ2 不同的匿名化策略如何在隐私（更高的 EER）与效用（更低的 WER、较高的 UAR）之间取得平衡？
• RQ3 VPC 2024 的当前基线与参与者方法的优势与局限是什么？
• RQ4 更强的攻击者建模如何影响隐私评估与未来挑战的协议设计？

主要发现

• 2024 年版本在保留语言内容的基础上额外要求保留情感状态，这是对先前工作的扩展。
• 在半知情攻击模型下，评估使用隐私的 EER，以及效用的 WER/UAR。
• 六个基线和 36 个提交系统展示了多样化的方法，包括神经声码器、基于 GAN 的匿名化、神经编解码、以及带 VQ 技术的 ASR/BN 等。
• 结果突显隐私保障与下游任务性能之间的权衡，为未来挑战设计和研究方向提供参考。

Figure 2 : Example system rankings according to the privacy (EER) and utility (WER and UAR) results for 4 minimum target EERs. Different colors correspond to 6 different teams. Numbers within each circle show system ranks for a given category. Grey circles correspond to the baseline systems, and the