研究提出语音令牌反演攻击STIA

研究者 Ye Lu 等人提出语音令牌反演攻击 STIA，可将离散、连续或混合的语音表示转换为条件序列，再结合攻击者指定的文本，在未接触原始音频和转写文本的情况下生成受害者音色的语音。 据研究论文称，在泄露一段约 3 秒语音对应的 Moshi 表示时，STIA 生成的语音平均 CAM++ 说话人余弦相似度为 0.78，目标文本词错误率为 3.80%。该结果针对这一具体泄露条件，说明语音前端表示中的说话人身份信息可被用于合成指定内容的语音。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。