通过清洗攻击增强音频欺骗检测
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
本文介绍了我们的MSXF TTS系统,使用了端到端TTS系统,并在训练阶段添加了一个约束损失。我们还研究了语音速度和音量对欺诈的影响。我们的团队在ADD挑战赛上获得了第四名。
Jan, 2022
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
音频深度伪造检测是检测由文本转语音或语音转换系统生成的欺骗攻击的任务。为了解决序列长度和信息聚合的问题,本文提出了HM-Conformer,采用分层池化方法和多级分类令牌聚合方法,通过处理不同的序列长度并聚合它们,有效地检测欺骗证据。在ASVspoof 2021 Deepfake数据集上的实验结果显示,HM-Conformer的等错误率为15.71%,与最近的系统相比,表现竞争性能。
Sep, 2023
本研究解决了语音伪造和深度伪造攻击的检测问题,尤其是通过建立一个来自更多说话者的众包数据库。在首次引入对抗攻击的情况下,文中提出的新评估指标和基线显著提升了伪造音频的自动说话人验证的鲁棒性。研究结果表明,攻击会显著影响基线系统,而参赛者的提交则带来了显著改善。
Aug, 2024
本研究解决了自动说话人验证系统(ASV)在面对多种合成欺骗攻击时性能显著下降的问题。通过引入加权加法角度边际损失和元学习方法,研究提出了一种新颖的欺骗检测系统,能够有效提高对未知欺骗攻击的泛化能力。实验结果显示,该方法显著降低了欺骗攻击对语音识别和认证系统的影响。
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