Michele Panariello

Michele Panariello

Auto-generated profile, based on publicly available information

Michele Panariello

Audio Security and Privacy Group, EURECOM, Biot, France

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
18 July 2024 in IEEE/ACM Transactions on Audio, Speech, and Language Processing
Verified
Journal Article
Closed access
MPMichele Panariello
Michele Panariello
NTNatalia Tomashenko
Natalia Tomashenko
XWXin Wang
Xin Wang
XMXiaoxiao Miao
Xiaoxiao Miao
PCPierre Champion
Pierre Champion
JYJunichi Yamagishi
Junichi Yamagishi
The VoicePrivacy Challenge promotes the development of voice anonymisation solutions for speech technology. In this paper we present a systematic overview and analysis of the second edition held in 2022. We describe the voice anonymisation task and datasets used for system development and evaluation, present the different attack models used for evaluation, and the associated objective and subjective metrics. We describe three anonymisation baselines, provide a summary description of the anonymisation systems developed by challenge participants, and report objective and subjective evaluation results for all. In addition, we describe post-evaluation analyses and a summary of related work reported in the open literature. Results show that solutions based on voice conversion better preserve utility, that an alternative which combines automatic speech recognition with synthesis achieves greater privacy, and that a privacy-utility trade-off remains inherent to current anonymisation solutions. Finally, we present our ideas and priorities for future VoicePrivacy Challenge editions.

20 August 2023
Verified
Conference Paper
Open access
MPMichele Panariello
Michele Panariello
MTMassimiliano Todisco
Massimiliano Todisco
NENicholas Evans
Nicholas Evans

11 April 2026 in Computer Speech & Language
Verified
Journal Article
Closed access
NTNatalia Tomashenko
Natalia Tomashenko
XMXIAOXIAO MIAO
XIAOXIAO MIAO
PCPierre Champion
Pierre Champion
SMSarina Meyer
Sarina Meyer
MPMichele Panariello
Michele Panariello
MTMassimiliano Todisco
Massimiliano Todisco

22 April 2026
Verified
Thesis
Closed access
MPMichele Panariello
Michele Panariello
Anonymisation vocale : de la dérive du vocoder aux codecs audio neuronaux et à l'évaluation robuste: La voix est une biométrie d'une richesse singulière. Les mêmes enregistrements qui alimentent les technologies vocales exposent aussi l'identité et des attributs sensibles, exploitables pour l'usurpation et la fraude. Cette thèse s'attaque à ces risques par la voice anonymization (VA) : la vie privée du locuteur est protégée en transformant son identité vocale en celle d'un pseudo-locuteur, tout en préservant l'utilité de l'audio. Cela est typiquement réalisé au moyen de voice conversion (VC) ou de techniques analogues. Dans le cadre de la VoicePrivacy Challenge (VPC), aujourd'hui à sa troisième édition, la VA est formalisée comme la dissimulation de l'identité du locuteur tout en conservant le contenu linguistique et paralinguistique. La confidentialité est évaluée face à un attaquant tentant de ré-identifier des données anonymisées au moyen de modèles d'Automatic Speaker Verification (ASV) adaptés au domaine anonymisé. L'utilité est mesurée par le Word Error Rate (WER), complété par des métriques secondaires évaluant la prosodie, la distinctivité vocale ou l'émotion. Nous décrivons l'analyse des résultats de la deuxième édition de la VPC réalisée par le candidat en tant qu'organisateur. Nous présentons ensuite des contributions originales. Nous examinons d'abord des chaînes fondées sur les x-vector, où un x-vector est extrait d'un signal non protégé, anonymisé en pseudo-locuteur via une fonction de perturbation, puis fourni au vocodeur pour la synthèse. Nous introduisons la vocoder drift : l'écart entre le x-vector du pseudo-locuteur et celui que l'on peut extraire de l'onde anonymisée après synthèse. Cette dérive reflète la contribution du vocodeur à l'anonymisation — que nos expériences montrent élevée. Nous démontrons qu'un adversaire peut l'exploiter via des attaques de drift-reversal, proches de l'état de l'art d'alors. Nous attribuons la vocoder drift à un feature mismatch : des indices de locuteur fuyant par des entrées non anonymisées (caractéristiques linguistiques) se ré-entrelacent avec les x-vectors anonymisés et provoquent des comportements inattendus. Nous concluons qu'en raison de cette non-fiabilité, l'effort de recherche doit se déplacer de la perturbation des x-vector vers des techniques de VC plus efficaces. Nous proposons une anonymisation fondée sur le neural audio codec (NAC) et le language modeling. La parole est représentée comme un flux de jetons sémantiques et acoustiques concaténés en un prompt ; un modèle de langue, conditionné par une voix de pseudo-locuteur, réalise la conversion vocale. Cette approche offre une forte confidentialité, une bonne distinctivité et une préservation de la hauteur, mais initialement un WER modeste ; nous introduisons une character-level conditioning qui injecte des informations textuelles dans le vocodeur et améliore le WER jusqu'à se rapprocher de celui de la parole non protégée. Le système NAC a été adopté comme baseline de la VPC 2024. Ces résultats soutiennent une vision de la VA comme un processus de "down-sampling/up-sampling", le premier assurant la confidentialité, le second l'utilité. Enfin, nous étudions le rôle de l'attaquant dans l'évaluation. Nous définissons la privacy overestimation : des Equal-Error Rate (EER) artificiellement élevés dus à un apprentissage sous-optimal de l'ASV. Nous décrivons des exemples, identifions des cas dans la littérature, en corrigeons un, et proposons un diagnostic pour détecter une sur-estimation potentielle. Forts de ces observations, nous proposons de renforcer la VA en forçant l'attaquant à un apprentissage sous-optimal par l'ajout de perturbations adversariales à des énoncés non protégés. Contrairement à la sur-estimation involontaire, cela constitue la première approche de défense proactive en VA. Nous concluons par des considérations générales et des pistes de futurs travaux. Nous soulignons la place de nos résultats dans les tendances actuelles de la recherche, alors que le domaine de la VA continue de se développer.