Aug, 2022

全自动端到端假音频检测

PDF
TL;DR本文提出了一种完全自动化的端到端虚假音频检测方法，使用了 wav2vec 预训练模型和修改版的 differentiable architecture search 算法（light-DARTS），在 ASVspoof 2019 LA 数据集上取得了 1.08% 的等错误率，性能优于现有的单一系统。
fake audio detectionend-to-end methodwav2vec pre-trained modeldifferentiable architecture searchasvspoof 2019 la dataset
发现论文，激发创造
  • ASVspoof 2019：欺诈和假音频检测的未来展望

    ASVspoof 2019 是社区带领的挑战活动之一，主要关注自动说话人验证（ASV）系统面对欺骗的反制措施，其中考虑了逻辑和物理接入情况，三种欺骗攻击方式，使用神经声学和波形模型生成欺骗攻击，采用双重检测费用函数（t-DCF）对 ASV 系统可靠性进行评估，并囊括了对伪造音频侦测的关注。共有 63 个研究团队参与了此次活动，半数以上的团队报告的系统性能优于两个基线欺骗反制措施。 - 摘自 ASVspoof 2019 的数据库、协议和挑战结果。该工作展示了在反制欺骗和伪造音频方面的实际进展。

    Apr, 2019

  • 探索绿色 AI 用于音频深度伪造检测

    该研究提出了一种新的音频深度伪造检测框架，利用标准 CPU 资源进行无缝训练，并借助自我监督学习模型的嵌入来使用经典机器学习算法，与常用的高碳足迹方法相比，取得了有竞争力的结果。

    Mar, 2024

  • 自动身份识别对音频视觉深度伪造的漏洞

    该研究论文介绍了首个真实的音频 - 视觉深度伪造数据库 SWAN-DF，其中嘴唇和语音同步，并具有高质量的视觉和音频。研究表明，通过调整现有的预训练深度伪造模型来适应特定身份，可以在超过 90% 的时间内成功欺骗人脸和说话人识别系统，并获得非常逼真的伪造视频。

    Nov, 2023

  • 基于深度学习的音频伪造检测网络的泛化

    利用小波包和短時傅里叶變換等技術，用于波形数据处理，實現了更輕量級的檢測器，用于對抗利用生成式神經網絡制造的合成語音的詐騙行為，對新型 Avocado 和 BigVGAN 網絡的檢測效果更佳。

    May, 2023

  • 通往通讯平台实时深假语音检测系统的发展

    本研究旨在评估在实时通信平台上采用静态深假音频检测模型的可行性，研发了可在多平台上运行的可执行软件，并使用 ASVspoof 2019 数据集实现了基于 Resnet 和 LCNN 架构的两个深假音频检测模型，达到了与 ASVspoof 2019 挑战基准的比较性能。该研究提出了增强这些模型的策略和框架，为在通信平台上实现实时深假音频检测铺平了道路，从而推动音频流安全性的进一步发展，并确保在动态实时通信场景下具备强大的检测能力。

    Mar, 2024

  • DeepSonar: 有效且稳健的 AI 合成虚假语音检测

    文中提出了一种新方法 DeepSonar，利用神经元行为监测技术实现对 AI 合成的假声的检测，已在包括谷歌、百度在内的三种语言数据集上进行了实验，检测率达到了 98.1％平均准确率，误报率低于 2％。

    May, 2020

  • 低秩模型挤压的自适应假音频检测

    本研究提出了一种针对新型虚假语音的低秩适应矩阵训练方法，在保持现有模型识别已知虚假语音准确率的同时，减小了存储内存需求，降低了错误率。

    Jun, 2023

  • 检索辅助的音频深度伪造检测

    使用检索增强的检测框架，基于语音合成和深假声音技术，以及 ASVspoof 2021 数据集的实验结果，改进了深假声音检测方法，并提升了检测性能。

    Apr, 2024

  • 深度伪造语音的实时检测

    生成式人工智能在语音领域有着重要的隐私和道德威胁，该研究通过生成了 DEEP-VOICE 数据集，并利用机器学习模型进行统计分析和超参数优化，最终实现了 99.3% 的准确分类，并能够实时检测 AI 生成的语音。

    Aug, 2023

  • 利用低频细微特征改进 DeepFake 检测

    本研究针对声音 DeepFake 威胁，研究使用最新的 Whisper 语音识别模型作为前端来增强声音真实性检测，实验证明使用 Whisper 模型可提高声音 DeepFake 检测的准确性。

    Jun, 2023