本文提出了一种名为 DP-VOXLET 的说话人匿名化方法，旨在解决语音数据发布中的隐私保护问题。说话人匿名化的目标是在隐藏说话人身份的同时，保留话语的语义内容和韵律特征。现有方法通常基于解耦表示学习，将语音编码为语义内容与说话人属性两部分，然后替换说话人属性而不改变语义内容。这类启发式方法在经验隐私指标上表现良好，但缺乏形式化的隐私保证，无法防御拥有强大背景知识的攻击者。本文首次将差分隐私框架引入说话人匿名化领域，提出了“说话人差分隐私”的正式定义，并设计了一种可证明满足该定义的匿名化机制。该机制与现有的解耦表示框架兼容，能够为任何可能的对手提供再识别成功率（如等错误率）的可证明下界，从而提供严格的隐私保障。作者在多个数据集上进行了实验，结果表明该方法相比先前基于差分隐私的说话人匿名化工作，在保持可用性（即语义内容和韵律的保留程度）方面取得了显著提升。本文的核心贡献包括：形式化定义说话人差分隐私、提出可证明满足该定义的匿名化算法、将其集成到现有解耦表示系统中，并通过实验验证其效用优势。该研究适合隐私保护语音处理、差分隐私理论和语音安全领域的研究人员阅读，也为实际部署语音匿名化系统提供了理论依据和算法参考。