Reden vor emotionaler Kommunikation schützen

Sprache trägt ne Menge persönliche Infos, wie wer der Sprecher ist und wie er sich fühlt. Diese Infos können missbraucht werden, vor allem mit dem Aufkommen von virtuellen Assistenten, die viel persönliche Daten brauchen. Forscher schauen sich deshalb Möglichkeiten an, um Sprachdaten privat zu halten. Eine Initiative, die VoicePrivacy heisst, hat das Ziel, Tools zu entwickeln, die die Sprachprivatsphäre schützen.

Der Hauptfokus der VoicePrivacy 2020 Challenge war es, es schwer zu machen, herauszufinden, wer spricht, während die tatsächlichen Worte trotzdem verständlich bleiben. In diesem Papier wird untersucht, wie gut das Basissystem der Challenge die Identität eines Sprechers verbergen kann, während die emotionalen Informationen erhalten bleiben.

#Hintergrund

Mit der zunehmenden Verbreitung von sprachgesteuerten Geräten wie Smart Speakern wächst die Menge an gesammelten Daten. Diese Daten beinhalten sensible Details über den Sprecher wie Alter, Geschlecht, Stimmung und Emotionen. Da Sprachdaten persönlich sind, ist deren Schutz sehr wichtig geworden, besonders mit Gesetzen wie der Datenschutz-Grundverordnung (DSGVO).

Die Voice Privacy Challenge ist einer der ersten Versuche, die Privatsphäre in der Sprachtechnik mit spezifischen Richtlinien und Tools zu studieren und zu fördern. Das Ziel ist es, die Identität des Sprechers zu anonymisieren, während die gesprochenen Worte erhalten bleiben.

#Sprecher-Anonymisierung

Der Anonymisierungsprozess in der Voice Privacy Challenge ist darauf ausgelegt, die Identität des Sprechers geheim zu halten, während das, was sie sagen, beibehalten wird. Das Basissystem verwendet eine Kombination aus verschiedenen Modellen, um dies zu erreichen.

Zuerst werden wichtige Merkmale aus der Originalansprache extrahiert, wie die Tonhöhe (Grundfrequenz), wie die Sprachlaute geformt werden, und der Identitätsvektor des Sprechers, bekannt als x-Vektor. Dann wird eine neue Identität erstellt, indem der x-Vektor des Sprechers mit einer grossen Sammlung von x-Vektoren verglichen wird und einige ausgewählt werden, um eine neue, anonyme Identität zu schaffen.

Schliesslich synthetisiert das System neue Sprache, die die ursprünglichen Worte beibehält, aber anders klingt, weil die Identität des Sprechers verändert wurde.

#Emotionale Sprache

Die meisten Forschungen zur Sprecheranonymisierung haben sich mit neutraler Sprache beschäftigt. Echte Sprache enthält jedoch oft Emotionen, die es schwieriger machen können, zu verbergen, wer spricht. Das Ziel dieser Studie ist es zu sehen, wie gut der Anonymisierungsprozess bei emotionaler Sprache funktioniert.

Die Forscher verwendeten das Interactive Emotional Dyadic Motion Capture (IEMOCAP) Dataset, das eine Mischung aus gespielter und spontaner emotionaler Sprache ist. Dieses Dataset enthält Aufzeichnungen von Gesprächen mit verschiedenen Emotionen, die von menschlichen Annotatoren etikettiert wurden, darunter Glück, Traurigkeit, Wut und Frustration.

#Methodik

In dieser Studie bewerteten die Forscher die Effektivität des Anonymisierungsprozesses, indem sie massen, wie gut Emotionen in der ursprünglichen und anonymisierten Sprache erkannt werden konnten. Sie verwendeten einen maschinellen Lernmodelltyp, der als Support Vector Machine (SVM) bekannt ist, um verschiedene Emotionen basierend auf akustischen Merkmalen zu identifizieren.

Die Bewertung folgte verschiedenen Angriffsszenarien, die von der VoicePrivacy Challenge festgelegt wurden. In einem Szenario, dem Ignorant-Szenario, hatte der Angreifer kein Wissen über den Anonymisierungsprozess. In einem anderen Szenario, dem Informed-Szenario, wusste der Angreifer, wie die Anonymisierung funktionierte, und nutzte dieses Wissen, um seine Modelle zu trainieren.

#Ergebnisse

Die Ergebnisse zeigten, dass das Basissystem Emotionen nicht vollständig vor informierten Angreifern geheim hielt. Im Ignorant-Szenario, wo der Angreifer nichts von der Transformation wusste, schnitt die Emotionserkennung schlecht ab, ähnlich wie beim Zufallsglück. Im Gegensatz dazu zeigte das Informed-Szenario, dass das System zwar einen soliden Job machte, um die Identität des Sprechers zu schützen, aber dennoch erlaubte, Emotionen bis zu einem gewissen Grad zu erkennen.

#Bewertung der Nützlichkeit

Neben der Emotionserkennung schaute die Forschung auch darauf, wie gut der linguistische Inhalt, also das, was gesagt wurde, in anonymisierter Sprache erhalten blieb. Dies wurde mit der Wortfehlerrate (WER) gemessen, wobei niedrigere Raten klarere Sprache anzeigen. Die Ergebnisse zeigten einen Rückgang des Verständnisses beim Vergleich der ursprünglichen und anonymisierten Sprache.

Die Ergebnisse zeigten einen Rückgang des Verständnisses um 13% bei der anonymisierten Sprache. Dieses Ergebnis war ähnlich wie die Ergebnisse aus anderen Datensätzen und deutet auf eine konsistente Leistung über verschiedene Sprachtypen hin.

#Einfluss prosodischer Merkmale

Um Emotionen effektiv zu verbergen, sind Variationen in Merkmalen wie Tonhöhe, Intensität und Rhythmus notwendig. Die Forscher experimentierten mit der Modifikation von Tonwerten durch verschiedene Methoden wie lineare Transformation und zufällige Anpassungen, um zu sehen, wie sich das auf die Emotionserkennung auswirkte. Sie fanden jedoch heraus, dass diese einfachen Änderungen nicht ausreichten, um emotionale Inhalte zu verbergen.

#Fazit

Diese Forschung hat die Herausforderungen bei der Anonymisierung emotionaler Sprache aufgezeigt. Während das Voice Privacy Basissystem es schaffte, die Identität des Sprechers zu verschleiern, konnte es die emotionalen Informationen nicht ausreichend vor der Erkennung schützen. Die Ergebnisse deuten darauf hin, dass, obwohl Techniken zum Schutz der Sprachprivatsphäre verbessert werden könnten, weitere Forschung nötig ist, um emotionale Daten effektiv zu verbergen.

Zukünftige Arbeiten könnten beinhalten, fortschrittliche Methoden zu erkunden, um andere Aspekte der Sprache, wie Dauer und Lautstärke, die ebenfalls emotionale Hinweise tragen, zu verändern. Die laufenden Bemühungen, die Privatsphäre in der Sprachtechnologie aufrechtzuerhalten, sind entscheidend, da sich das Feld weiterentwickelt und erweitert.