阿布扎比穆罕默德·本·扎耶德人工智能大学（MBZUAI）于2026年10月26日发布报道，介绍一项在Interspeech 2026展示的研究：即使联邦学习不直接上传用户原始语音，攻击者仍可能通过本地模型更新与全局模型权重之间的差异，推断说话人的部分个人属性。MBZUAI官方报道
研究团队针对Wav2Vec2、HuBERT和Whisper三个自动语音识别模型构造“白盒”攻击，并利用已知说话人属性的公开语音数据训练影子模型，再将新的权重更新与不同群体的更新特征进行匹配。报道指出，Wav2Vec2的更新在区分两个年龄组和英语母语者与非母语者时均达到100%准确率；HuBERT和Whisper在年龄组识别上的准确率分别为97%和94%，在母语口音识别上的准确率分别为80%和93%。使用Wav2Vec2区分包括阿拉伯语、普通话和土耳其语在内的十类口音时，各类识别率至少达到90%。研究原文及摘要
研究结果并非所有属性都同样容易泄露：性别在三个模型中较难检测，情绪和构音障碍信息则主要从Whisper更新中泄露。作者将差异部分归因于预训练数据的覆盖程度：训练数据中代表性不足的语音特征，可能在微调后引起更明显的权重变化，从而更容易被推断。
这项工作的直接意义是提醒开发者，联邦学习只能减少原始数据集中上传的风险，并不自动等于更新信息不可逆。其攻击假设包括攻击者能够获得全局和本地模型权重，并假定一次本地微调只使用一段语音；因此，实验准确率不能直接外推到所有联邦语音系统。但对于语音输入、个性化识别和端侧持续学习产品，权重差分、更新聚合、参与者规模和差分隐私保护都应纳入威胁建模。报道还提到，相关风险可能导致用户画像、监控或歧视，具体严重程度取决于模型部署方式、更新可见性和使用场景。
参考来源：
- What federated speech models reveal about users 2026-10-26
- Personal Attribute Leakage in Federated Speech Models 2025-10-15
由 AI 整理，仅供参考；请以原始来源为准。
