dumaiТекст подкаста может выдать говорящего, пол и акцент
Препринт, ещё не рецензирован · ранние данные
Кратко
Авторы проверили расшифровки двух наборов подкастов с более чем 12 500 говорящими. Программы для работы с текстом отличали одного говорящего от другого без записи голоса, а пол и акцент угадывали чаще случайного; ограничение фрагмента 50 словами лишь частично снизило успех лучших систем.
Зачем это знать?
Для конфиденциальности голосовых данных важна не только запись: опубликованный текст тоже может помочь связать выпуск с конкретным человеком. Для других языков, жанров и типов речи такой риск ещё не проверен.
Разбор
Авторы собрали специальный тестовый набор SPARC из двух коллекций подкастов. Для каждой реплики сохранили расшифровку, а затем проверяли не «кто вообще говорит», а более конкретный вопрос: принадлежат ли два текстовых фрагмента одному человеку. Отдельно оценивали, можно ли по словам подтвердить такие признаки, как пол, возраст и акцент. Чтобы проверка была честнее, исследователи учитывали и косвенные подсказки: например, совпадение выпуска или сведения о теме разговора.
Ключевые цифры
Можно ли доверять
Это препринт с arXiv, поэтому его ещё не прошла независимая проверка рецензентами. Масштаб данных большой, но исследование опирается на подкасты, а часть сведений о поле, возрасте и акценте была указана источниками или выведена косвенно; в других жанрах речи и языках результат может отличаться.
- Это препринт, поэтому результаты еще не прошли полноценную независимую проверку.
- Выводы основаны на двух корпусах подкастов; переносимость на другие языки, жанры и типы речи не показана.
- Снижение связываемости при 50 словах не означает полной анонимности, а демографические метки частично были выведены или взяты из исходных данных.
Пересказано ИИ по научной статье. Это научпоп, а не совет врача. Как это устроено