arXiv cs.AI· Praphul Singh, Akshat Agarwal, Ratul Ghosh, Aashna Kanuga, Devashish Khatwani, Anurag Dwarakanath, Sri Gadde, Krishnaram Kenthapadi·· 3 天前AI 评分23
AegisVox：面向长时语音的隐私与临床信息因子化保护框架
AegisVox: Factorized Privacy and Clinical Preservation for Long-Form Speech
AI 导读
AegisVox 是一个因子化框架，为长时临床语音分配一致的替代音色，并用文档一致的替换编辑含身份标识的话轮。在 390 段公开模拟或非患者对话（共 63.6 小时）上，TTS 渲染实现 535/601 次计划替换，基于 codec 的语音编辑器为 453/601。但替换实现更好可能同时伴随更差的临床或说话人关联测量，AegisVox 支持针对具体用途评估这些权衡，而非保证身份标识移除或临床安全。
正文 · AI 翻译
摘要：临床语音通过口头标识符和声音揭示身份，但其停顿、表达方式和说话人角色也能携带有用的临床证据。因此，保护这类语音需要的不仅仅是保留其文字内容。我们提出 AegisVox，一个因子化框架，它分配一致的替代声音，并使用文档一致的替换来编辑承载标识符的轮次。在 390 段公开的模拟或非患者对话（总计 63.6 小时）中，对两个语音渲染器进行匹配比较，将替换实现与保留的标识符、说话人关联和临床保留区分开来。文本转语音渲染实现了 535/601 个计划替换，而基于编解码器的语音编辑器为 453/601。然而，相似的总体临床保留掩盖了更多模型标记的矛盾，并且在评分方向敏感性分析下，对话范围的说话人得分掩盖了更大的编辑语音关联。对原始音频进行全新转录为解读临床测量链提供了参考；独立评判者测试了对基于模型评估的敏感性。因此，更好的替换实现可能与更差的临床或说话人关联测量并存。AegisVox 支持对这些权衡进行特定用途的评估，而非保证标识符移除或临床安全。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.14643 [cs.AI] |
| （或使用 arXiv:2610.14643v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.14643 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Praphul Singh [查看电子邮件]
[v1]
2026年10月10日星期六 06:53:23 UTC（1,472 KB）
来源：arXiv cs.AI · arxiv.org