यह शोधपत्र आधुनिक ऑडियो भाषा मॉडल (ऑडियोएलएम) के उद्भव से उत्पन्न उभरते सुरक्षा जोखिमों पर विचार करता है जो सीधे वाणी को संसाधित करते हैं। पारंपरिक पृथक प्रतिलेखन चरणों को दरकिनार करने वाले एंड-टू-एंड दृष्टिकोण स्वर-उच्चारण और बहु-वक्ता जानकारी जैसे विवरणों को संरक्षित करते हैं, लेकिन वे नए जोखिम भी उत्पन्न करते हैं, जैसे कि वक्ता पहचान जैसी संवेदनशील वाणी विशेषताओं का संभावित दुरुपयोग। हम प्रायोगिक साक्ष्य प्रस्तुत करते हैं कि एंड-टू-एंड मॉडलिंग, पदानुक्रमित पाइपलाइन दृष्टिकोणों की तुलना में, पहचान अनुमान, पक्षपातपूर्ण निर्णय लेने और भावना पहचान जैसे सामाजिक-तकनीकी सुरक्षा जोखिमों को बढ़ाती है। हम वॉइसप्रिंट भंडारण और कार्यक्षमता के बारे में भी चिंताएँ व्यक्त करते हैं, जो मौजूदा कानूनी ढाँचों के तहत अनिश्चितता पैदा कर सकती हैं। हमारा तर्क है कि मॉडल विकास और परिनियोजन न्यूनतम विशेषाधिकार के सिद्धांत द्वारा निर्देशित होना चाहिए, और एंड-टू-एंड मॉडलिंग से जुड़े गोपनीयता और सुरक्षा जोखिमों के आकलन और सूचना पहुँच के उचित दायरे की आवश्यकता पर बल दिया जाना चाहिए। अंत में, हम वर्तमान ऑडियो एलएम बेंचमार्क की कमियों को उजागर करते हैं और प्रमुख तकनीकी एवं नीतिगत अनुसंधान चुनौतियों पर प्रकाश डालते हैं जिनका समाधान ज़िम्मेदार एंड-टू-एंड ऑडियो एलएम परिनियोजन सुनिश्चित करने के लिए आवश्यक है।
