临床对话中，身份信息既体现在口头标识，也体现在说话者的声音特征；与此同时，停顿、语速和角色切换等因素也携带重要的临床线索。因此，保护此类语音数据需要在去除身份标识的同时保留临床信息。AegisVox 提出了一种因子化框架：为每段对话分配一致的替代声线，并对包含身份标识的发言进行文档级别的替换，确保替换后仍保持上下文连贯。
我们在 390 段公开模拟或非患者对话（总时长 63.6 小时）上进行实验，分别使用基于文本到语音（TTS）的渲染器和基于编解码器的语音编辑器。两者在替换实现上表现不同：TTS 完成 535/601 项计划替换，编解码器方案完成 453/601 项。尽管整体临床保留率相近，但模型标注的矛盾更明显；对话整体的说话者关联分数在方向敏感性分析下显示，编辑后语音的说话者链接更强。
为了解释临床测量链，我们对原始音频进行全新转录，并邀请独立评审检验模型评估的敏感度。结果表明，更高的替换实现率并不必然带来更好的临床或说话者关联指标。AegisVox 旨在为不同使用场景提供可调的评估维度，而非保证完全去除身份信息或临床安全性。
点评