我们的系统通过使用多个检测系统识别拼接区域并确定其真实性，其中包括边界检测和深度伪造检测的两个帧级系统，以及使用真实数据训练的第三个 VAE 模型来确定给定音频剪辑的真实性。通过这三个系统的融合，我们在 ADD 2023 的二号任务中表现出色，句子准确率达到 82.23％，F1 分数为 60.66％。从而使我们在 ADD 2023 的二号任务中获得了最终得分为 0.6713 的第一名。

Aug, 2023

本文介绍了音频深度合成检测（ADD）挑战的参赛系统，在低质量伪造音频检测和部分伪造音频检测领域取得了不错的成绩，通过使用时间信号、频谱特征和深度嵌入特征等方法检测音频中的光谱 - 时间畸变，并使用各种方法增强了数据的质量以及进行筛选，最终排名分别为第四和第五。

Oct, 2022

通过使用五种先进的零样本文本转语音模型生成超过 300 小时的语音数据，构建了一个新的跨领域的 ADD 数据集。通过新颖的攻击增强训练方法，Wav2Vec2-large 模型和 Whisper-medium 模型分别获得了 4.1％和 6.5％的等误差率，展示了出色的少样本 ADD 能力。然而，神经编解码器压缩技术对检测准确性产生重大影响，需要进一步研究。

Apr, 2024

本文建立了一个端到端的多模块合成语音生成模型，包括说话者编码器、基于 Tacotron2 的合成器和基于 WaveRNN 的声码器，并在不同数据集和模型结构上进行了大量比较实验。最终，我们在 ADD 2023 挑战赛中荣获第一名，加权欺骗成功率为 44.97％。

Jul, 2023

提出了一种新的 ADD 模型 ——M2S-ADD，目的是通过从单声道信号到立体声信号的转换，探索深假音频中的真实性线索，进而有效地揭示假音频中的人工痕迹，提高 ADD 性能。

May, 2023

通过一个新颖的多模态音视频框架，结合音频和视频输入进行深度伪造检测，我们的模型利用交叉注意机制通过嘴唇同步输入音频，并通过经过微调的 VGG-16 网络提取视觉线索，随后利用 Transformer 编码器网络执行面部自注意力。我们进行了多个消融研究，突出了我们方法的不同优点。我们的多模态方法在 F-1 分数和每个视频 AUC 分数方面优于最先进的多模态深度伪造检测技术。

Sep, 2023

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

本文提出了一种新型深度伪造检测方法，利用 Vision Transformer、Scaling and Shifting pretraining 以及 Timeseries Transformer 分割视频，实现对视频帧的完整性检测，此方法能够高效地检测现有的深度伪造技术。

May, 2023

提出了一种名为时序深度伪造定位 (Temporal Deepfake Location，TDL) 的细粒度部分伪造音频检测方法，采用了嵌入相似度模块和时序卷积操作，能够更准确地定位音频的真实性，并在 ASVspoof2019 部分伪造数据集中表现出优异性能。

Sep, 2023

本文提出了一种用于检测 Deepfake 的方法，它通过提出包含多种模式的策略内容驱动音频、视觉和音视频混合进行识别。并通过定量分析证明了 BA-TFD + 算法再 Deepfake 检测方面的优越性。

May, 2023