論文の概要: Forget who you Forgot: Speaker Unlearning to Prevent Re-Identification in Zero-Shot Text-to-Speech

• arxiv url: http://arxiv.org/abs/2609.27399v1
• Date: Wed, 23 Sep 2026 06:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.903726
• Title: Forget who you Forgot: Speaker Unlearning to Prevent Re-Identification in Zero-Shot Text-to-Speech
• Title（参考訳）: 忘れる人:ゼロショットテキスト音声における再認識を防ぐ話者アンラーニング
• Abstract要約: GUARDは軽量な話者識別アンラーニングフレームワークである。 学習したスピーカーゲートと、凍ったTSバックボーンにスピーカー非依存のアクティベーションステアリングを組み合わせる。 CosyVoice2 では、GUARD は 0.541 から 0.103 に類似度を減らし、150 個のギャラリーで再識別精度を 73.5% から 0.5% に下げている。
• 参考スコア（独自算出の注目度）: 11.403799406671075
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent zero-shot text-to-speech (ZS-TTS) systems can reproduce a speaker's voice with high fidelity from only a few seconds of reference speech, raising concerns over unauthorized voice cloning and impersonation. Speaker identity unlearning has recently emerged as an approach to selectively suppress this capability for speakers who opt out while preserving synthesis capability for other speakers. Although existing approaches reduce speaker similarity, preventing re-identification often faces severe degradation of speech quality. Motivated by this observation, we propose GUARD, a lightweight speaker identity unlearning framework that combines a learned speaker gate with speaker-agnostic activation steering on a frozen TTS backbone. The steering vectors are optimized using group-relative reward optimization to shift outputs from forget speakers toward population-level impostor similarity while preserving intelligibility and speech naturalness. On CosyVoice2, GUARD reduces forget-speaker similarity from 0.541 to 0.103 and re-identification accuracy in a 150-speaker gallery from 73.5% to 0.5%, while preserving retain-speaker reproduction. The results demonstrate that similarity reduction alone may not fully characterize successful speaker identity unlearning and highlight re-identification as a complementary criterion for its evaluation.
• Abstract（参考訳）: 近年のゼロショット音声合成システム(ZS-TTS)は,数秒の参照音声から話者の声を高い忠実度で再現し,無許可音声のクローン化や偽造に対する懸念を提起している。 話者識別アンラーニングは、他の話者の合成能力を保ちながらオプトアウトする話者に対して、この能力を選択的に抑制するためのアプローチとして最近登場した。 既存の手法は話者の類似性を低下させるが、再識別の防止はしばしば音声品質の深刻な劣化に直面している。 本研究の目的は,学習した話者ゲートと凍ったTSバックボーン上での話者非依存的なアクティベーションステアリングを組み合わせた軽量な話者識別学習フレームワークであるGUARDを提案することである。 ステアリングベクトルはグループ相対報酬最適化を用いて最適化され、知性や音声の自然さを保ちながら、話者から集団レベルのインフォスタ類似性へ出力をシフトする。 CosyVoice2では、GUARDはリザーブスピーカーの類似性を0.541から0.103に減らし、150個のギャラリーで再識別の精度を73.5%から0.5%に下げた。 その結果, 類似度低減だけでは, 話者識別の未学習を十分に特徴づけられず, その評価の補完的基準として再識別が強調されることが示唆された。

関連論文リスト

• HEAR Who Said What: Unlocking Speaker-Attributed Reasoning via Counterfactual Voice Grounding [54.365959989048406]
  音声言語モデル(SLM)は、ますますマルチスピーカー環境にデプロイされている。 しかし、音声を正しい話者とみなし、話者の身元を判断する能力は、いまだに不明である。 本稿では,話者対応推論の基礎的能力を診断するベンチマークHEARを紹介する。 A2Rは、話者レベルのハードな負を持つ非現実的オーディオに最適化された30Bモデルである。
  論文  参考訳（メタデータ） (2026-08-29T08:01:20Z)
• Enhancing Speaker Verification with Whispered Speech via Post-Processing [1.8849814100256281]
  本研究では,より頑健な発話障害に対する表現を得るための学習レシピを用いたモデルを提案する。 提案システムは、細調整された話者検証バックボーン上に構築されたエンコーダ-デコーダ構造を用いる。 また, 発声音声を用いた性能評価において, 最も人気があり, 最先端の話者検証モデルの要約も提供する。
  論文  参考訳（メタデータ） (2026-04-22T06:23:40Z)
• Targeted Speaker Poisoning Framework in Zero-Shot Text-to-Speech [42.343691065979215]
  Zero-shot Text-to-Speech (TTS)音声クローンは、深刻なプライバシーリスクを引き起こす。 我々はこのタスクを音声生成話者中毒(SGSP)として定式化する。 我々は、訓練されたモデルを変更して、他の話者の実用性を維持しながら、特定のアイデンティティの生成を防止する。
  論文  参考訳（メタデータ） (2026-03-08T09:29:55Z)
• Do Not Mimic My Voice: Speaker Identity Unlearning for Zero-Shot Text-to-Speech [17.20822861589935]
  ZS-TTSは、最小限のオーディオキューから高忠実な音声合成を可能にし、プライバシーと倫理上の懸念を生じさせた。 音声のプライバシーに対する脅威にもかかわらず、望ましくない個々の声を複製する知識を選択的に除去する研究は行われていない。 我々は、ZS-TTSのための最初の機械学習フレームワーク、特にTGU(Teacher-Guided Unlearning)を提案する。 提案手法は,未知の話者が追跡不能であることを保証するため,話者の音声が一貫した複製されないようにランダム性を組み込む。
  論文  参考訳（メタデータ） (2025-07-27T06:13:58Z)
• CloneShield: A Framework for Universal Perturbation Against Zero-Shot Voice Cloning [30.85443077082408]
  最近のTTS(text-to-speech)音声クローンのブレークスルーは、深刻なプライバシー上の懸念を引き起こしている。 ゼロショット音声のクローンを防止するために特別に設計された,普遍的な時間領域逆転摂動フレームワークであるCloneShieldを紹介する。 本手法は、合成テキストの事前知識を必要とせず、話者や発話に対して堅牢な保護を提供する。
  論文  参考訳（メタデータ） (2025-05-25T12:22:00Z)
• Automatic Evaluation of Speaker Similarity [0.0]
  本研究では,人間の知覚スコアと一致した話者類似度評価のための新しい自動評価手法を提案する。 実験の結果, 話者埋め込みから話者類似度MUSHRAスコアを0.96精度で予測し, 発話レベルでは0.78ピアソンスコアまで有意な相関関係を示すことができることがわかった。
  論文  参考訳（メタデータ） (2022-07-01T11:23:16Z)
• AdaSpeech 4: Adaptive Text to Speech in Zero-Shot Scenarios [143.47967241972995]
  高品質音声合成のためのゼロショット適応型TSシステムであるAdaSpeech 4を開発した。 話者特性を体系的にモデル化し、新しい話者の一般化を改善する。 微調整なしでは、AdaSpeech 4は複数のデータセットのベースラインよりも声質と類似性が向上する。
  論文  参考訳（メタデータ） (2022-04-01T13:47:44Z)
• Streaming Speaker-Attributed ASR with Token-Level Speaker Embeddings [53.11450530896623]
  本稿では,「誰が何を話したか」を認識可能な,ストリーミング話者対応自動音声認識(SA-ASR)モデルを提案する。 本モデルは,最近提案されたマルチトーカー音声をストリーミング形式で書き起こすためのトークンレベルシリアライズアウトプットトレーニング(t-SOT)に基づいている。 提案モデルでは,従来のストリーミングモデルよりも精度が大幅に向上し,最先端のオフラインSA-ASRモデルに匹敵する,あるいは時として優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-30T21:42:00Z)
• Speaker Identity Preservation in Dysarthric Speech Reconstruction by Adversarial Speaker Adaptation [59.41186714127256]
  変形性音声再建(DSR)は,変形性音声の品質向上を目的としている。 話者識別に最適化された話者エンコーダ (SE) について検討した。 我々は,新しいマルチタスク学習戦略,すなわち対人話者適応(ASA)を提案する。
  論文  参考訳（メタデータ） (2022-02-18T08:59:36Z)
• Improving speaker discrimination of target speech extraction with time-domain SpeakerBeam [100.95498268200777]
  SpeakerBeamは、ターゲット話者の適応発話を利用して、声の特徴を抽出する。 SpeakerBeamは、同じジェンダーのミキシングのように、話者が似たような音声特性を持つときに失敗することがある。 実験により、これらの戦略は、特に同性混合において、音声抽出性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2020-01-23T05:36:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。