本研究旨在通过分析不同的声学特征空间和分类器，确定可靠和强大的对抗欺骗攻击的措施。实验结果表明，基于深度神经网络（DNN）的方法在欺骗检测任务中获得了相当低的等错误率(EER)

May, 2017

ASVspoof 2021提出了新的deepfake语音检测任务，介绍了三个任务、每个任务的新数据库、评估指标、四个基线模型、评估平台以及比赛结果，并展示了近年来该领域取得的显著进展，尽管物理访问任务的结果显示在现实、不断变化的物理空间中检测攻击的难度很大。

Sep, 2021

研究如何提高自动说话人验证系统的欺骗稳健性，主要从基于概率线性判别分析的后端分类器入手，并运用三种无监督领域适应技术来优化它。旨在提高系统在逻辑和物理接近情境下的表现，对于后者，尤其是在被重放音频攻击时，针对真实的和伪造的情况，相对改进率分别达到36.1%和5.3%接近最高点。除此之外，还进行了一些额外的研究，如攻击分析、数据构成和与高斯后端的分数级别的对策系统的集成分析。

Mar, 2022

通过在嵌入空间中利用有限的训练数据来增强简单的后端分类器，我们提出了通用的独立式自动说话人验证（G-SASV）系统，以对抗欺骗攻击，同时避免在测试（认证）阶段单独使用CM模块，在ASVspoof 2019逻辑访问数据集中，我们相对统计ASV后端在合并（真实和欺骗）和欺骗条件下的性能分别最大提高了36.2％和49.8％，以等错误率为指标。

Jan, 2024

本研究针对ASVspoof5开放领域音频深度伪造检测中的关键问题，探讨多种反制措施的有效性，特别是引入频率掩蔽方法以增强模型的鲁棒性。实验结果表明，结合多尺度时间信息和自监督学习特征，显著提高了模型性能，表明该方法在音频安全领域具有重要应用潜力。

Aug, 2024

本研究解决了在声音真实性和深伪检测领域，如何有效识别ASVspoof5数据集中攻击的问题。我们提出了一种全新的方法，利用openSMILE库中简单特征进行识别，获得了令人惊讶的准确度，特别是对于不同的攻击类型，显示出良好的泛化能力。这项工作有助于深入理解声音反欺骗模型及其在实际应用中的挑战。

Aug, 2024

本研究针对语音真实性和深度伪造检测领域中ASVspoof5数据集的最新攻击进行分析，发现通过简单的特征可以高效识别这些攻击。研究表明，这些从openSMILE库中提取的特征具有可解释性和易计算性，能够显著提高深度伪造检测的准确性，最大均等错误率(EER)可达0.8%。

Aug, 2024

本文介绍了USTC-KXDIGIT系统在ASVspoof5挑战中的应用，主要解决语音深伪检测和防伪自动说话人验证中的技术难题。研究创新性地结合手工特征和自监督模型的语音表示，并通过模型融合优化最终决策，结果在各种对抗条件下取得了显著的鲁棒性和优越性能。

Sep, 2024

本文解决了自动语音识别领域中语音深度伪造检测的有效性问题。通过利用预训练的WavLM作为前端模型，并结合不同的后端技术，研究展示了一种系统的融合方法以提高检测性能。最终，研究结果表明，所提出的系统在检测精度上具有显著优势。

Sep, 2024

本研究针对音频欺骗检测在干净数据库训练评估不足的问题，提出了一种通过清洗攻击进行数据增强的新方法。实验结果表明，所提系统在ASVspoof 5数据库中的一些特定欺骗攻击和编解码条件下表现较差，指出了现有方法的局限性。

Oct, 2024