Деидентификация говорящего с использованием распознавания дифонов и синтеза речи

В статье рассматривается задача деидентификации говорящего (или голоса) путем представления нового подхода к сокрытию личности говорящих в их речи. Предлагаемый метод сначала распознает входную речь с помощью системы распознавания дифонов, а затем преобразует полученную фонетическую транскрипцию в речь другого говорящего с помощью системы синтеза речи. Поскольку при деидентификации используются этап распознавания дифонов (Diphone RecOgnition) и этап синтеза речи (sPeech SYnthesis), разработанный метод обозначается как DROPSY. В рамках этого подхода акустические модели модулей распознавания и синтеза полностью независимы друг от друга, что обеспечивает максимально высокий уровень деидентификации исходного говорящего. Предлагаемый подход к деидентификации на основе DROPSY является языко-зависимым, текстонезависимым и способен работать в реальном времени благодаря относительно простым используемым вычислительным методам. При разработке технологий деидентификации говорящего к методам деидентификации обычно предъявляются два требования: (i) невозможность установить личность говорящих на основе деидентифицированной речи и (ii) сохранение естественности и разборчивости обработанной речи. Поэтому в статье предлагаемый подход на основе DROPSY реализован с использованием двух различных методов синтеза речи: метода на основе скрытых марковских моделей (HMM) и метода на основе дифонов TD-PSOLA. Полученная деидентифицированная речь оценивается по разборчивости, а также в экспериментах по верификации говорящего с использованием современной системы распознавания говорящего на основе i-векторов и PLDA. Сравнение обоих модулей синтеза речи, интегрированных в предлагаемый метод, показывает, что каждый из них способен эффективно деидентифицировать исходных говорящих, одновременно обеспечивая разборчивость синтезированной речи.