SPARC: corpus per il riconoscimento della paternità dei profili vocali

Abstract degli autori

L’anonimizzazione del parlato si è concentrata sul segnale acustico, lasciando aperta la questione di quante informazioni sul parlante conservino le parole trascritte. In questo lavoro studiamo la verifica, a partire dal parlato trascritto, dell’identità del parlante e dei suoi attributi demografici mediante confronti a coppie. Presentiamo SPARC (Spoken Profile Authorship Recognition Corpus), un benchmark costruito a partire da due corpora di podcast che comprendono oltre 12.500 parlanti, 1,5 milioni di enunciati filtrati in base alla qualità ed etichette relative a sesso, età e accento, inferite o fornite dalla fonte a livello di parlante. Valutiamo cinque modelli di attribuzione e tre LLM in prove di verifica dell’identità e degli attributi, usando episodi e metadati come indicatori indiretti dell’argomento trattato. Gli LLM avversari distinguono le coppie di enunciati dello stesso parlante basandosi soltanto sul testo. Verificare la concordanza delle etichette degli attributi è più difficile, ma gli LLM verificano quelle relative a sesso e accento con risultati superiori al caso. Infine, rendere disponibili solo brevi testi di prova (50 parole) peggiora soprattutto le prestazioni degli avversari più forti, riducendo in parte il collegamento osservato tra gli enunciati.