Un simple changement de hauteur est insuffisant pour masquer une voix, car un adversaire pourrait simplement renvoyer l'audio pour récupérer l'audio d'origine.

La plupart des modulateurs de voix utilisent un vocodeur, pas un simple changement de hauteur. Le terme «vocodeur» est malheureusement assez surchargé ces jours-ci, donc pour clarifier, je veux dire le type qui est le plus généralement utilisé dans la musique, plutôt qu'un vocodeur de phase, un remappeur de hauteur ou un codec vocal.

Le chemin cela fonctionne comme suit:

1. L'audio de l'entrée vocale (appelé signal de modulation) est divisé en tranches de temps, et son contenu spectral est analysé. Dans le DSP, cela est généralement mis en œuvre à l'aide d'une FFT, qui traduit efficacement un signal du domaine temporel - une séquence d'amplitudes dans le temps - dans le domaine fréquentiel - une collection de signaux de fréquence croissante qui, s'ils sont combinés , représentent le signal. Dans la pratique, les mises en œuvre produisent une grandeur et une valeur de phase pour chacun d'un nombre fixe de «compartiments», où chaque compartiment représente une fréquence. Si vous deviez générer une onde sinusoïdale pour chaque bucket, à l'amplitude et au décalage de phase émis par la FFT, puis additionnez toutes ces ondes sinusoïdales ensemble, vous obtiendriez une approximation très proche du signal d'origine.
2. Un signal porteur est généré. C'est le son synthétisé que vous souhaitez faire sonner à votre modulateur de voix, mais en règle générale, il doit être assez large. Une approche courante consiste à utiliser des types de synthés avec beaucoup d'harmoniques (par exemple, des ondes en dents de scie ou carrées) et d'ajouter du bruit et de la distorsion.
3. Le signal de la porteuse passe à travers une banque de filtres dont les fréquences centrales correspondent à celles de la FFT seaux. Les paramètres de chaque filtre sont déterminés par la valeur de son compartiment associé. Par exemple, on peut appliquer un filtre coupe-bande avec un facteur Q élevé et moduler le gain du filtre avec la sortie FFT.
4. Le signal modulé résultant est la sortie.

Voici un schéma assez grossier d'une approche analogique:

L'entrée audio est divisée en plusieurs bandes de fréquences à l'aide de filtres passe-bande, qui ne traversent chacun qu'une plage de fréquences étroite. Les blocs «processus» prennent les résultats et effectuent une sorte de détection d'amplitude, qui devient alors un signal de commande pour les amplificateurs commandés en tension (VCA). Le chemin en haut génère la forme d'onde porteuse, généralement en effectuant une détection d'enveloppe sur l'entrée et en l'utilisant pour piloter un oscillateur commandé en tension (VCO). La porteuse est ensuite filtrée en bandes de fréquences individuelles par les filtres passe-bande sur la droite, qui sont ensuite entraînés à travers les VCA et combinés dans le signal de sortie. L'approche dans son ensemble est très similaire à l'approche DSP décrite ci-dessus.

Des effets supplémentaires peuvent également être appliqués, tels que le pré et le post-filtrage, le bruit et la distorsion, le LFO, etc., afin d'obtenir l'effet désiré.

La raison pour laquelle il est difficile d'inverser est que l'audio d'origine n'est jamais réellement transmis à la sortie. Au lieu de cela, les informations sont extraites de l'audio d'origine, puis utilisées pour générer un nouveau signal. Le processus est intrinsèquement suffisamment lent pour qu'il soit assez prohibitif à inverser.

tl; dr - Ce n'est généralement pas réversible, mais cela pourrait quand même être inversé dans la pratique.

Analogie: réversibilité de réduire un nom à sa longueur.

Considérez une méthode de réduction qui prend en compte le prénom d'une personne et donne le nombre de lettres qu'il contient. Par exemple, "Alice" est transformé en 5.

Il s'agit d'un processus avec perte, donc il ne peut généralement pas être inversé. Cela signifie que nous ne pouvons généralement pas dire que 5 correspond nécessairement à "Alice" , car il pourrait également correspondre, par exemple, à "David" .

Cela dit, sachant que la transformation est 5 contient encore beaucoup d'informations dans la mesure où nous pouvons exclure tout nom qui ne se transforme pas en 5 . Par exemple, ce n'est évidemment pas "Christina".

Alors maintenant, disons que vous êtes un détective de police, essayant de résoudre une affaire. Vous avez réduit les suspects à Alice et Bob, et vous savez que le nom anonyme du coupable était 5 . Bien sûr, vous ne pouvez pas généralement inverser 5 , mais est-ce que ce point théorique aide vraiment Alice dans ce cas?

Point: Perte les transformations vocales ne sont généralement pas réversibles, mais elles fuient toujours des informations.

Dans le bon vieux temps, avant les ordinateurs et autres, cela aurait peut-être suffi à transformer sa voix sans perte. Ensuite, si un tiers voulait récupérer la voix de l'orateur d'origine, il ne pouvait pas - ce qui, à l'époque, l'aurait probablement été.

Aujourd'hui, nous pouvons utiliser des ordinateurs en:

Cette méthode est générale pour toute transformation qui n'est pas complètement avec perte. Cependant, l'utilité des informations obtenues variera en fonction du degré auquel la méthode d'anonymisation a entraîné des pertes; une transformation à faible perte peut encore être largement réversible en pratique bien qu'elle ne soit généralement pas réversible, tandis qu'une transformation à perte importante peut donner si peu d'informations utiles qu'elle serait pratiquement irréversible.

Non, ce n'est certainement pas sûr.

Si je devais le faire, j'utiliserais la parole en texte puis je dicterais en utilisant une voix courante comme celle de Stephen Hawking. Cela élimine complètement toute information vocale réelle.

La seule chose qui reste serait d'anonymiser votre style de dialecte en formalisant / normalisant votre vocabulaire / vos phrases.

Honnêtement, cette dernière étape est extrêmement difficile . Normaliser une pensée est extrêmement complexe. Cependant, vous divulgueriez des informations personnellement identifiables sans cela.

Comme pour tout InfoSec, cela dépend de vos menaces et des ressources de vos adversaires.

Si vous essayez de jouer une blague à votre grand frère, un faux accent suffit. Si vous essayez de tromper votre femme, c'est plus difficile.

Si vous essayez de mener une conversation complexe contre un adversaire avec des ressources techniques suffisantes, en fonction du contexte, cela va être presque impossible sans une assistance significative, à moins que vous ne soyez d'accord avec le fait qu'il vous connaisse cache ta voix.

Le problème n'est pas le pitch, ce sera toutes sortes de choses que vous faites inconsciemment. Vous avez des «slogans», des choses que vous dites. Vous avez une cadence dans votre discours, votre utilisation des mots et, plus important encore, des mots spécifiques que vous utilisez systématiquement à mauvais escient. Vous aurez quelques mots que vous prononcerez différemment de la plupart des gens, ou un accent régional, etc. C'est presque comme une empreinte digitale.

Vous pouvez vous entraîner à partir de certaines de ces choses là où vous l'attrapez, mais alors CELA devient votre empreinte digitale.

Vous pourriez peut-être (si vous êtes un bon acteur) "Adoptez le rôle" et changer délibérément plusieurs de ces choses "juste pour le rôle", puis abandonnez-le une fois terminé. Cela va tromper de nombreux types d'analyses, mais c'est BEAUCOUP de travail et vous devez être actif à chaque fois.

Nous sommes maintenant à l'ère du Machine Learning.

Toute obfuscation obtenue grâce à la transformation d'informations ne doit pas être considérée comme sécurisée. Pas maintenant. Certainement pas contre la technologie future. ML est capable d'inverser la transformation.

Vous pouvez penser à cela en termes de topologie de manifold. Supposons qu'une photo de chaton soit déformée, projetée sur une variété. Disons un cylindre. Tout comme un cerveau humain peut percevoir la variété et déplier l'image, le ML le peut aussi.

Pour obtenir une véritable obscurcissement, l'information CONTENT doit être séparée de l'information STYLE. Ceci peut également être réalisé via ML.

Vous pouvez regarder les images de https://towardsdatascience.com/a-neural-algorithm-of-artistic-style-a-modern-form -of-creation-d39a6ac7e715 pour en avoir une idée visuelle.

Un anonymiseur de voix à l'ancienne pourrait diviser l'audio entrant en vecteurs de fonctionnalités MFCC et reconstruire les vecteurs en audio.

S'il est un peu plus avancé, il pourrait briser ces MFCC en phonèmes chronométrés, puis reconstruire l'audio à partir de celui-ci.

L'approche la plus sûre serait d'utiliser les technologies STT-> TTS existantes .

Mais simplement changer de hauteur n'est pas mieux que d'enrouler une photo de chaton autour d'un cylindre. Vous pouvez toujours savoir si c'est votre chaton ou non.