Tiiviisti

• Tekoäly voi muuttaa anonyymin haastateltavan äänen luonnolliseksi. Vanha möreä ääni ei ole enää ainoa tapa suojata lähdettä.
• Ihminen voi paljastua myös rytmistä, sanavalinnoista ja tarinan yksityiskohdista.
• Toimitusten pitää kertoa äänen muokkauksesta selvästi jutun yhteydessä. Näin yleisö ymmärtää, mitä se kuulee.

Kuvassa istuu henkilö, varjostettuna. Hänen kasvonsa on rajattu kuvan ulkopuolelle. Kuvaruutuun ilmestyy teksti, jossa lukee: “nimi ja ääni on muutettu”. Kun haastateltava alkaa puhua, kuuluu luonnoton, syvä ja mekaanisesti laahaava mörinä.

Tällainen kohtaus on monelle suomalaiselle tuttu vanhoista rikosdokumenteista, uutismakasiineista ja paljastusjutuista. Möreäksi muutettu ääni teki kahta asiaa samaan aikaan. Se yritti estää kuulijaa tunnistamasta puhujaa. Samalla se kertoi yleisölle, että aihe on vakava ja että puhujaa suojellaan.

Kun työskentelin Yleisradiossa radion äänisuunnittelijana, haastateltavan äänen muuttaminen oli yksi käytännön työvaihe, joka tuli silloin tällöin vastaan. Tekniikan jäljen tunnisti heti. Ääni kuulosti kömpelöltä ja joskus myös tahattoman koomiselta. Ajan myötä tästä äänestä tuli osa oman aikansa tyyliä. Myöhemmin se on tarjonnut paljon aihetta myös suomalaiselle uutissatiirille.

Vuonna 2026 tämäntyyppinen ääni ei ole enää ainoa vaihtoehto.

Tekoäly ja puheteknologia ovat muuttaneet tilannetta. Nimetön lähde voi nykyään kuulostaa luonnolliselta ihmiseltä. Uusi algoritmi ei vain muokkaa alkuperäistä ääntä matalammaksi tai oudommaksi. Se voi muuttaa äänen niin, että puhuja kuulostaa toiselta ihmiseltä tai kokonaan keinotekoiselta puhujalta.

Kun ääni muuttuu luonnollisemmaksi, myös kysymykset vaikeutuvat. Toimitusten ja puheteknologian tutkijoiden täytyy pohtia, mitä ihmisestä voi tunnistaa äänen perusteella. Kun alkuperäinen äänenväri poistetaan, tunnistaminen ei välttämättä katoa kokonaan. Silloin on kysyttävä, mihin muihin asioihin ihmisen tunnistettavuus todellisuudessa perustuu.

Miten ääni piilotettiin ennen?

Jotta uuden teknologian vaikutuksen voi ymmärtää, kerrataan, mitä äänen muuttaminen ennen tarkoitti. Journalistit suojasivat haastateltavan henkilöllisyyttä usein niin, että he muuttivat puheen nopeutta tai sävelkorkeutta. Joskus he muuttivat myös äänen formantteja siihen erikoistuneella työkalulla. Formantit ovat puhe-elimistön synnyttämiä taajuusrakenteita, jotka vaikuttavat äänen sointiin.

Tätä voi verrata valokuvan sumentamiseen tai pikselöintiin. Alkuperäinen kuva on yhä muokkauksen alla olemassa. Samalla tavalla alkuperäinen ääni oli yhä mukana muokatussa äänitteessä.

Vanha tekniikka vääristi suoraan olemassa olevaa ääniaaltoa. Siksi puhujasta saattoi jäädä paljon tunnistettavaa jäljelle. Esimerkiksi puheen rytmi, painotukset, hengitystauot ja artikulaation kireys saattoivat säilyä lähes ennallaan.

Tämä aiheutti myös tietoturvariskin. Yksinkertainen sävelkorkeuden tai taajuusrakenteen muutos voi suojata lähdettä satunnaiselta katsojalta. Se ei kuitenkaan yksin tarjoa vahvaa suojaa ihmiseltä, joka osaa tunnistaa puhujia teknisesti.

Puheen anonymisoinnin tutkimuksessa yksinkertaisia äänenkäsittelyn keinoja verrataan nykyisin paljon vaativampiin tunnistusmenetelmiin. Tutkimuksessa arvioidaan myös sitä, kuinka hyvin eri menetelmät kestävät puhujantunnistusta ja yrityksiä murtaa suojaus.

Kone maalaa uuden muotokuvan

2020-luvulla puhujan anonymisoinnista on tullut tärkeä tietotekninen tutkimusala. Tutkimuksessa yritetään sovittaa yhteen kolme tavoitetta:

1. Ensimmäinen tavoite on suojata puhujan yksityisyys.
2. Toinen tavoite on säilyttää puhe ymmärrettävänä.
3. Kolmas tavoite on säilyttää puheessa riittävästi tunnetta ja ilmaisua.

Alan tärkeäksi vertailukohdaksi on noussut kansainvälinen VoicePrivacy-tutkimusaloite. Sitä on järjestetty vuodesta 2020 lähtien. Ensimmäisessä haasteessa määriteltiin, mitä puhujan anonymisointi tarkoittaa. Samalla luotiin yhteisiä tapoja arvioida, kuinka hyvin järjestelmä kätkee puhujan henkilöllisyyden ja säilyttää puheen sisällön.

Nykyaikainen äänen anonymisointi voidaan jakaa karkeasti kahteen tekoälyä käyttävään tapaan. Molemmat toimivat eri tavalla kuin vanha tekniikka, jossa äänen taajuuksia vain taivutettiin.

Ensimmäinen tapa yhdistää puheentunnistuksen ja puhesynteesin. Kone kuuntelee puhutut sanat ja muuttaa ne tekstiksi. Sen jälkeen kone lukee tekstin uudelleen synteettisellä äänellä. Tämä voi suojata hyvin akustiselta puhujantunnistukselta, koska alkuperäinen äänenväri katoaa. Usein katoaa myös suuri osa puhujan tavasta puhua. Samalla menetetään helposti alkuperäinen rytmi, epäröinti ja tunne.

Toinen ja monella tavalla kiinnostavampi tapa on äänenmuunnos. Siitä käytetään englanniksi nimeä voice conversion. Tässä menetelmässä järjestelmä yrittää säilyttää puheen sisällön ja osan puheen ilmaisullisista piirteistä. Samalla se muuttaa niitä akustisia piirteitä, jotka liittyvät puhujan henkilöllisyyteen.

Monissa äänenmuunnoksen menetelmissä puhe jaetaan ensin osiin. Yksi osa kuvaa puheen sisältöä. Toinen osa voi kuvata puhujan piirteitä. Kolmas osa voi kuvata puheen rytmiä, painotuksia tai tunnetilaa. Tämän jälkeen ääni rakennetaan uudelleen niin, että puhujaprofiili on toinen.

Tässä ei enää sumenneta alkuperäistä valokuvaa. Parempi vertaus on se, että alkuperäisen asennon ja valon pohjalta maalataan kokonaan uusi muotokuva. Kiihtymys, tauot ja tunteen hauraus voivat säilyä. Ne vain kuuluvat nyt vieraan äänen kautta.

Tunnistettavuus on kerroksellista ja sosiaalista

Äänenvärin tekninen muuttaminen on kuitenkin vasta suojan uloin kerros. Ihmisen tunnistaminen ei perustu vain ääneen, vaan se liittyy vahvasti myös sosiaaliseen tilanteeseen ja siihen, missä yhteydessä puhe kuullaan.

Aalto-yliopiston professori Tom Bäckström on korostanut tätä puheteknologian yksityisyyttä käsittelevässä katsauksessaan. Puhe sisältää paljon muutakin kuin ne sanat, jotka ihminen sanoo. Puhe voi antaa vihjeitä esimerkiksi terveydestä, tunnetilasta, sosiaalisista suhteista, taustasta, identiteetistä ja siitä tilanteesta, jossa puhuja on.

Bäckströmin katsauksen mukaan puhe on yksityisyyden kannalta erityinen aineisto. Syynä on se, että puheessa on kahta asiaa samaan aikaan. Siinä on tarkoitettua viestintää, eli asia, jonka puhuja haluaa sanoa. Sen lisäksi puheessa voi olla sivutietoa, joka välittyy tahattomasti.

Siksi suojan arvioinnissa täytyy määritellä, millaiselta tunnistamisen riskiltä puhujaa suojataan. Käytännössä tämä tarkoittaa arkikielistä uhkamallia, jossa sama äänenkäsittely voi suojata riittävästi yhdessä tilanteessa, kun taas toisessa tilanteessa se voi olla heikko suoja.

Suojan tarve riippuu siitä, kuka yrittää tunnistaa puhujan:

• Satunnainen katsoja etsii yleensä tuttua äänenväriä julkisuudesta. Tässä tilanteessa kevyt suoja voi riittää. Äänenvärin muuttaminen tai äänenmuunnos voi olla tarpeeksi hyvä ratkaisu, jos muu tilanne ei paljasta puhujaa.
• Työtoveri tai lähipiiri tunnistaa puhujan eri tavalla. Hän voi tunnistaa tavan nauraa, rykiä ennen lausetta tai käyttää työyhteisön omaa sanastoa. Hän voi tunnistaa puhujan myös siitä, että tämä kertoo tietyn yksityiskohdan. Tässä tilanteessa suojan täytyy olla vahvempi. Usein pitää muokata myös rytmiä, taukoja, sanavalintoja ja yksityiskohtia.
• Koneellinen hyökkääjä toimii vielä toisin. Hän voi vertailla puhujapiirteitä, litteroituja tekstejä ja äänen akustisia piirteitä. Hän voi myös kouluttaa tunnistusmalleja niin, että ne yrittävät murtaa anonymisoinnin. Tässä tilanteessa suojan vaatimukset ovat erittäin korkeat. Suoja edellyttää ajantasaista teknistä arviointia, vahvoja menetelmiä ja tapauskohtaista riskinhallintaa.

Jos toimitus suojaa lähdettä, joka kertoo korruptiosta, tekninen äänenmuunnos ei välttämättä riitä. Lähteen esihenkilö ei tarvitse äänihuulten akustista sormenjälkeä tunnistaakseen alaisensa.

Hän voi tunnistaa puhujan lauserakenteesta, tarinan yksityiskohdasta tai tavasta vetää henkeä ennen tärkeää väitettä. Koneellisesti luotu uusi ääni ei yksin suojaa tältä inhimilliseltä tunnistamiselta.

Sanojen sormenjälki

Voiko ihminen paljastua pelkkien sanavalintojen perusteella? Tutkimuksen perusteella vastaus on varovasti kyllä.

Cristina Aggazzotti, Nicholas Andrews ja Elizabeth Allyn Smith julkaisivat vuonna 2024 tutkimuksen tästä aiheesta. He selvittivät, pystyvätkö tekstin tekijyyttä jäljittävät mallit erottamaan puhujia pelkkien litteraattien eli puheesta kirjoitettujen tekstien perusteella.

Tutkimus osoitti, että puhujasta voi jäädä tekstimuotoiseen puheeseen tunnistettavia piirteitä. Tällaisia piirteitä voivat olla esimerkiksi täytesanat, keskustelussa käytetyt pikkusanat ja toistuvat ilmaukset.

Tulokset eivät kuitenkaan tarkoita, että jokainen puhuja voitaisiin aina tunnistaa pelkän tekstin perusteella. Kun tutkijat rajasivat keskustelun aiheen tarkemmin, mallien tunnistuskyky heikkeni selvästi.

Vuonna 2025 julkaistu jatkotutkimus tarkensi kuvaa automaattisista litteraateista. Aggazzotti, Matthew Wiesner, Smith ja Andrews havaitsivat, että puhujan tunnistaminen voi onnistua yllättävän hyvin myös silloin, kun automaattinen puheentunnistus tekee virheitä. Tutkijat arvioivat, että automaattisen litteroinnin virheet voivat itsessään kantaa puhujakohtaista tietoa.

Nämä tulokset perustuvat englanninkieliseen aineistoon. Siksi niitä ei voi siirtää suoraan suomen kieleen. Suomen murteet eroavat toisistaan monella tavalla. Erot voivat näkyä rakenteessa, sanastossa, äänteissä ja pronominien muodoissa. Arkinen puhekieli voi paljastaa ihmisen alueellisen tai sosiaalisen taustan. Esimerkiksi ilmaukset “me mennään”, “myö mennään” ja “myö männään” antavat kuulijalle eri vaikutelman.

Jos journalisti muuttaa haastateltavan äänenvärin luonnolliseksi tekoälyääneksi, mutta jättää lauserakenteet, murresanat ja tauot alkuperäisiksi, suoja voi heikentyä. Näin voi käydä etenkin silloin, kun alkuperäistä tunnetta halutaan säilyttää mahdollisimman paljon. Journalisti voi silloin tietämättään jättää lähteen tunnistettavaksi.

Riskiä korostavat myös uudet hyökkäysmallit. Vuonna 2025 julkaistussa VoxATtack-tutkimuksessa esiteltiin monimodaalinen hyökkäys. Siinä yhdistetään anonymisoidun puheen akustisia piirteitä ja puheen tekstisisältöä. Tutkimuksen mukaan tekstin lisääminen voi paljastaa anonymisointijärjestelmien heikkouksia paremmin kuin pelkkä äänen analyysi.

Aggazzottin ja hänen kollegoidensa tutkimuksessa on kuitenkin journalistin kannalta myös lohdullinen reunaehto. Osa kielellisestä tyylistä ei johdu vain puhujasta. Se johtuu myös siitä, mistä ihminen puhuu. Kun aihe pidetään samana, puhujan erottaminen vaikeutuu.

Toimitukselle tämä luo yhden käytännöllisen suojakeinon. Anonymisointi tarkoittaa äänen muuttamisen lisäksi myös yksityiskohtien ja kerronnan muokkaamista niin, ettei lähteen elämäkerta kuulu puheen läpi.

Luottamus, empatia ja ihmisarvo

Miksi toimitukset sitten haluavat säilyttää alkuperäisen puheen rytmin ja tunteen, jos niihin liittyy riskejä? Syy on siinä, että journalismi on pohjimmiltaan tarinankerrontaa. Tunne vaikuttaa siihen, luottaako kuulija kertomukseen.

Wonjune Kang, Margaret A. Hughes ja Deb Roy tutkivat kansalaiskeskustelua vuonna 2024. He vertasivat äänenmuunnosta ja sellaista synteettistä ääntä, joka tuotetaan tekstistä. Tutkijat selvittivät, miten nämä menetelmät vaikuttavat kuulijan empatiaan ja luottamukseen. He tarkastelivat myös sitä, kokeeko puhuja tulevansa kuulluksi.

Tutkimuksen mukaan äänenmuunnos sopi heidän kansalaisdialogin tilanteeseensa erityisen hyvin. Syynä oli se, että äänenmuunnos säilytti puheessa enemmän inhimillistä tuntua kuin pelkkä tekstistä tuotettu synteettinen ääni.

Tämä havainto liittyy suoraan vanhan journalismin kipupisteeseen. Vanha möreä ääni saattoi muuttaa haastateltavan epäinhimilliseksi hahmoksi. Se saattoi heikentää vakavan kokemuksen arvokkuutta. Tavallinen ilmiantaja saattoi kuulostaa pelottavalta alamaailman ihmiseltä.

Nykyaikainen ääniäly voi parhaimmillaan kohdella puhujaa arvokkaammin. Se voi suojata lähdettä ilman, että puhujasta tehdään outo tai uhkaava.

Siitä syntyy kuitenkin uusi journalistinen ja eettinen ongelma. Kuulija tekee äänen perusteella nopeasti oletuksia puhujasta. Hän voi arvioida esimerkiksi puhujan ikää, sukupuolta, itsevarmuutta ja sosiaalista asemaa. Kun toimitus valitsee lähteelle uuden tekoälyäänen, se antaa lähteelle samalla uuden sosiaalisen identiteetin.

Toimituksen täytyy silloin kysyä vaikeita kysymyksiä, ja tasapainoilla stereotypioiden kanssa. Kuka päättää, miltä anonyymi mielenterveyskuntoutuja kuulostaa? Entä kuka päättää, miltä korruption paljastava viranhaltija kuulostaa? Kuulostaako hän nuorelta ja epävarmalta vai matalalta ja vakuuttavalta?

Synteettinen ääni voi muuttaa sitä, miten kuulija suhtautuu lähteeseen, jolloin äänen valinta vaatii teknisen laadun lisäksi myös eettistä harkintaa.

Suomalainen lähdesuoja tekoälyn aikakaudella

Lähdesuoja ja oikeus käyttää nimettömiä haastateltavia ovat suomalaiselle tutkivalle journalismille välttämättömiä. Yhteiskunnallisesti merkittävät tapaukset, kuten Ylen MOT-ohjelman Totuus Patriasta ja Silminnäkijän Matin talot, ovat olleet tärkeitä myös lähdesuojasta käydyssä keskustelussa. Tuomo Mörän toimittama raportti käsitteli näitä tapauksia vuonna 2011. Raportissa niitä tarkasteltiin osana suomalaista lähdesuojan käytäntöä ja siitä syntynyttä julkista kiistaa.

Myös tutkivien toimittajien turvallisuutta on tutkittu Suomessa. Tampereen yliopiston hanke on kuvannut, että tutkivien journalistien riskit liittyvät fyysiseen turvallisuuteen, tietoturvaan ja lähdesuojaan. Tämä näkökulma sopii suoraan ääniälyn aikakauteen. Satunnainen sometrolli edellyttää erilaisia turvatoimia kuin työnantaja, rikollisverkosto tai valtio-organisaatio.

Miten suomalainen itsesääntely vastaa ääniälyn tuomiin kysymyksiin? Julkisen sanan neuvoston uudet Journalistin ohjeet tulivat voimaan lokakuussa 2024. Ohjeet koskevat toimituksellista sisältöä riippumatta siitä, missä muodossa sisältö julkaistaan tai millä teknologialla se on tuotettu.

Lähdesuojan kannalta keskeinen kohta on ohje 13. Sen mukaan journalistilla on oikeus ja velvollisuus pitää luottamuksellisesti tietoja antaneen henkilöllisyys salassa sillä tavalla kuin lähteen kanssa on sovittu.

Soveltamisopas tarkentaa tätä velvollisuutta. Jos kyse on yhteiskunnallisesti erittäin merkittävistä tiedoista, toimituksen täytyy perustella yleisölle, miksi nimetöntä lähdettä käytetään. Sama koskee tilannetta, jossa tietojen julkaiseminen voi aiheuttaa lähteelle erittäin kielteistä julkisuutta. Perustelu täytyy tehdä niin, ettei lähdesuoja vaarannu. Toimituksen täytyy myös kertoa, miten lähteen luotettavuus ja hänen antamiensa tietojen luotettavuus on varmistettu.

Käytännössä tämä tarkoittaa selkeyttä myös tekniikasta. Kun Yleisradio jäljitti vuonna 2024 suomalaismiehen, joka järjesti Britannian mellakoita Telegramissa, jutussa julkaistiin ääninäyte. Sen yhteydessä kerrottiin, että ääni oli muokattu tunnistamattomaksi tekoälyn avulla.

Ylen julkaisemista sisällöistä tämä artikkeli näyttää olevan ensimmäinen, jossa kaksi asiaa yhdistyvät avoimesti. Ensimmäinen asia on toimituksen tarve suojata lähde. Toinen asia on se, että yleisölle kerrotaan sanallisesti tekoälyn käytöstä äänen anonymisoinnin työkaluna.

Toimituksen sisäinen todennettavuus täytyy kuitenkin pitää erillään siitä aineistosta, joka annetaan yleisölle. Toimittajien täytyy pystyä osoittamaan toimituksen sisällä, mihin jutun tiedot perustuvat. Tarvittaessa sama täytyy pystyä osoittamaan myös päätoimittajalle ja oikeudellisessa prosessissa.

Alkuperäiset aineistot täytyy silti säilyttää suojattuina. Niihin saa olla pääsy vain niillä, joilla on siihen perusteltu tarve. Aineistot täytyy myös pitää erillään siitä materiaalista, joka julkaistaan verkossa.

Katoava lajityyppi ja uusi medialukutaito

Möreän äänen aikakaudella yleisön ei tarvinnut lukea tekstilaatikoita ymmärtääkseen, että kertojaa suojeltiin. Äänen muokkaus kuului heti. Juuri tekninen kömpelyys teki toimituksellisesta käsittelystä näkyvän, tai tarkemmin sanottuna kuuluvan. Äänestä tuli osa rikosjournalismin kulttuurista merkistöä.

Kun tekoäly saa anonyymin lähteen kuulostamaan tavalliselta ihmiseltä, tämä osa medialukutaidon perinnettä muuttuu. Rikostarinan, tutkivan dokumentin tai paljastusjutun tunnelma voi muuttua tasaisemmaksi. Se voi myös muuttua vähemmän rituaaliseksi. Uhkaava tai salaperäinen tunnelma täytyy jatkossa luoda muilla keinoilla. Näitä keinoja ovat esimerkiksi kuvakoko, valaistus, musiikki ja kerronnan rytmi. Pelkkä mekaaninen mörinä ei enää tee tätä työtä.

Olennaista on myös se, että avoimuuden vastuu siirtyy toimitukselle. Kun ääni kuulostaa luonnolliselta, yleisölle täytyy kertoa erikseen, että kuultava ääni ei kuulu oikealle haastateltavalle. Tämä voidaan kertoa sanoilla ja grafiikalla. Jos ilmoitusta ei tehdä, yleisö voi perustellusti ymmärtää väärin, mitä se kuulee.

Lisäksi anonymiteetillä on aina aikajänne. Se, mikä näyttää turvalliselta tänään, voi olla analysoitavissa uusilla algoritmeilla vuosien kuluttua. VoicePrivacy 2026 -haasteessa painotetaan aiempaa vahvempia hyökkääjiä. Nämä hyökkääjät on koulutettu analysoimaan anonymisoitua puhetta ja äänenmuunnoksella käsiteltyä puhetta. Haasteessa painotetaan myös monikielistä arviointia.

Verkkoon jäävä äänitallenne on pitkäaikainen riski.

Tulevaisuuden lähdesuoja ei siis ole enää yksittäinen ääniefektilaite. Lähdesuoja on jatkuvaa uhkamallin arviointia. Se on myös ymmärrystä siitä, että tunnistettavuus on inhimillinen ominaisuus. Vaikka tekoäly voi hävittää äänenvärin, se ei voi poistaa sitä täydellisesti, vaan sanat, tauot ja elämäkerran palaset voivat jäädä silti mukaan puheeseen.

Tarkistuslista: Anonyymin äänen turvallinen käsittely

Kun toimitus käsittelee anonyymin lähteen ääntä, ensimmäiseksi täytyy määritellä uhkamalli. Käytännössä tämä tarkoittaa sitä, että toimitus arvioi, kuka voisi yrittää tunnistaa lähteen. Tunnistaja voi olla lähipiiriin kuuluva henkilö, työnantaja, viranomainen, rikollinen toimija tai koneellinen hyökkääjä. Samalla täytyy arvioida, onko tunnistajalla käytössään vertailuääntä. Sellaista voi löytyä esimerkiksi sosiaalisen median videoista.

Seuraavaksi toimituksen täytyy valita käsittelytapa riskin mukaan. Jos riski on pieni, äänenvärin tekoälymuunto voi riittää. Silloin puheen tunne voi säilyä paremmin. Jos riski on suuri, turvallisempi ratkaisu voi olla toinen. Puhe voidaan purkaa tekstiksi, tekstiä voidaan muokata ja lopuksi teksti voidaan lukea uudelleen synteettisellä äänellä.

Kolmanneksi täytyy tarkistaa teksti, murre ja muut paljastavat tiedot. Toimituksen tulee poistaa tai muokata sanavalintoja, täytesanoja, murteellisia muotoja, työyhteisön omaa sanastoa ja elämäkerrallisia yksityiskohtia, jos ne voivat paljastaa lähteen. Myös tiedostojen tekniset taustatiedot ja tallennuksen taustaäänet täytyy tarkistaa.

Neljänneksi lähteen on hyvä saada kuulla lopputulos, jos se on mahdollista ja turvallista. Haastatellulta kannattaa pyytää hyväksyntä uudelle äänelle. Tämä vahvistaa luottamusta. Samalla voidaan varmistaa, ettei synteettinen ääni vääristä sitä, mitä lähde haluaa sanoa.

Viidenneksi yleisölle täytyy kertoa äänen käsittelystä ymmärrettävästi. Toimituksen tulee ilmaista selvästi, että ääni on muokattu tekoälyn avulla. Tämän voi kertoa esimerkiksi ruudulla näkyvällä tekstillä, juonnossa tai kuvatekstissä. Tarvittaessa yleisölle voi myös kertoa, onko alkuperäinen rytmi tai puhetapa pyritty säilyttämään.

Kuudenneksi alkuperäinen aineisto täytyy säilyttää turvallisesti. Alkuperäinen aineisto on toimitukselle tärkeä todiste siitä, mihin jutun tiedot perustuvat. Siksi sitä ei pidä hävittää kevyin perustein. Se täytyy kuitenkin säilyttää salattuna, rajatun pääsyn takana ja erillään julkaistavasta materiaalista.

Lopuksi täytyy arvioida pitkäaikainen riski. Tekoälymallit kehittyvät nopeasti. Äänenkäsittely, joka näyttää tänään turvalliselta, voi myöhemmin osoittautua heikommaksi. Näin voi käydä, jos uudet hyökkäysmallit oppivat tunnistamaan juuri sen käsittelytavan, jota toimitus on käyttänyt.

Lähteet

Aggazzotti, Cristina, Andrews, Nicholas & Smith, Elizabeth Allyn. 2024. Can Authorship Attribution Models Distinguish Speakers in Speech Transcripts? Transactions of the Association for Computational Linguistics, 12, 875–891. DOI: 10.1162/tacl_a_00678. Luettavissa: https://aclanthology.org/2024.tacl-1.49/.

Aggazzotti, Cristina, Wiesner, Matthew, Smith, Elizabeth Allyn & Andrews, Nicholas. 2025. The Impact of Automatic Speech Transcription on Speaker Attribution. Transactions of the Association for Computational Linguistics, 13, 1578–1596. DOI: 10.1162/tacl.a.54. Luettavissa: https://aclanthology.org/2025.tacl-1.72/.

Aloradi, Ahmad, Gaznepoglu, Unal Ege, Habets, Emanuël A. P. & Tenbrinck, Daniel. 2025. VoxATtack: A Multimodal Attack on Voice Anonymization Systems. arXiv. Luettavissa: https://arxiv.org/abs/2507.12081.

Bäckström, Tom. 2024. Privacy in Speech Technology. arXiv. Luettavissa: https://arxiv.org/abs/2305.05227.

Bargum, Anders R., Serafin, Stefania & Erkut, Cumhur. 2024. Reimagining speech: a scoping review of deep learning-based methods for non-parallel voice conversion. Frontiers in Signal Processing. DOI: 10.3389/frsip.2024.1339159. Luettavissa: https://www.frontiersin.org/journals/signal-processing/articles/10.3389/frsip.2024.1339159/full.

Finlex. 2003. Laki sananvapauden käyttämisestä joukkoviestinnässä 13.6.2003/460. Oikeusministeriö. Luettavissa: https://www.finlex.fi/fi/lainsaadanto/2003/460.

Hiltunen, Ilmari. 2024. Riskinäkemykset ja turvakäytännöt suomalaisten tutkivien toimittajien työssä. Media & viestintä, 47(2), 50–79. DOI: 10.23983/mv.141474. Luettavissa: https://journal.fi/mediaviestinta/article/view/141474.

Hämäläinen, Veli-Pekka & Rimpiläinen, Tuomas. 2024. “Miten te löysitte tänne?” Yle jäljitti suomalaismiehen, joka järjesteli Britannian mellakoita Telegramissa. Yle. Luettavissa: https://yle.fi/a/74-20104053.

Julkisen sanan neuvosto. 2024. Journalistin ohjeet. Luettavissa: https://jsn.fi/journalistin-ohjeet/.

Julkisen sanan neuvosto. 2024. Journalistin ohjeiden soveltamisopas. Luettavissa: https://jsn.fi/wp-content/uploads/2024/05/Soveltamisopas.pdf.

Kang, Wonjune, Hughes, Margaret A. & Roy, Deb. 2024. Anonymization of Voices in Spaces for Civic Dialogue: Measuring Impact on Empathy, Trust, and Feeling Heard. Proceedings of the ACM on Human-Computer Interaction, 8, CSCW2. DOI: 10.1145/3687021. Luettavissa: https://arxiv.org/abs/2408.13970.

Kotimaisten kielten keskus. s.a. Suomen murteet. Luettavissa: https://kotus.fi/sanakirjat/suomen-murteiden-sanakirja/suomen-murteet/.

Miao, Xiaoxiao ym. 2025. Adapting general disentanglement-based speaker anonymization for enhanced emotion preservation. Computer Speech & Language. DOI: 10.1016/j.csl.2025.101810. Luettavissa: https://www.sciencedirect.com/science/article/pii/S088523082500035X.

Mielikäinen, Aila. 1995. Puhutaanko Suomessa vielä murteita? Kielikello. Luettavissa: https://kielikello.fi/puhutaanko-suomessa-viela-murteita/.

Mörä, Tuomo (toim.). 2011. Lähdesuoja. Normit, ideaalit ja käytännöt. Viestinnän tutkimuskeskus CRC, Helsingin yliopisto. Luettavissa: https://www.hssaatio.fi/images/stories/Lahdesuoja_raportti1.pdf.

Tampereen yliopisto. s.a. Tutkivien toimittajien turvakäytännöt. Luettavissa: https://www.tuni.fi/fi/tau/tutkimus/tutkivien-toimittajien-turvakaytannot.

Tomashenko, Natalia ym. 2020. Introducing the VoicePrivacy Initiative. Interspeech 2020, 1693–1697. DOI: 10.21437/Interspeech.2020-1333. Luettavissa: https://www.isca-archive.org/interspeech_2020/tomashenko20_interspeech.html.

VoicePrivacy. 2026. VoicePrivacy 2026. Luettavissa: https://www.voiceprivacychallenge.org/vp2026/.