本文提出了一款名为 V-Cloak 的实时语音匿名化系统，旨在保护用户在即时通讯或社交媒体上生成的语音数据中的声纹隐私，防止恶意对手进行身份推断或身份盗窃。现有的语音匿名化技术（如信号处理、语音转换/合成）往往导致感知质量下降。V-Cloak 通过一种一次性生成模型，在保持语音可理解性、自然度和音色的前提下，实现实时匿名化。该方法对不同频率级别的音频特征进行调制，并采用精心设计的损失函数，包括匿名损失、可理解性损失以及基于心理声学的自然度损失。V-Cloak 支持无目标和有目标匿名化，分别实现不可识别性和不可链接性。作者在四个数据集（LibriSpeech 英文、AISHELL 中文、CommonVoice 法文和意大利文）、五种自动说话人验证（ASV）系统（包括两种基于 DNN、两种统计方法和一种商业 ASV）以及十一种自动语音识别（ASR）系统（针对不同语言）上进行了广泛实验。结果表明，V-Cloak 在匿名性能上优于五种基线方法。此外，仅在 VoxCeleb1 数据集上针对 ECAPA-TDNN ASV 和 DeepSpeech2 ASR 训练的 V-Cloak 仍具有跨 ASV 的可迁移匿名能力和跨语言的 ASR 可理解性。论文还验证了 V-Cloak 对各种去噪技术和自适应攻击的鲁棒性。该工作为语音隐私保护提供了有效且实用的解决方案。