論文の概要: WaveVerify: A Novel Audio Watermarking Framework for Media Authentication and Combatting Deepfakes

• arxiv url: http://arxiv.org/abs/2507.21150v1
• Date: Wed, 23 Jul 2025 21:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:54.995219
• Title: WaveVerify: A Novel Audio Watermarking Framework for Media Authentication and Combatting Deepfakes
• Title（参考訳）: WaveVerify: メディア認証とコンバッティングディープフェイクのための新しいオーディオ透かしフレームワーク
• Authors: Aditya Pujari, Ajita Rattani,
• Abstract要約: 2024年、ディープフェイク詐欺の試みは2023年に比べて1300%以上急増した。 金融セクターは特に影響を受けており、ボイス詐欺で1000万ドル以上を失った。 規制当局と政府は、AIコンテンツの透明性とトレーサビリティを改善するための措置を講じている。
• 参考スコア（独自算出の注目度）: 3.9440964696313485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of voice generation technologies has enabled the synthesis of speech that is perceptually indistinguishable from genuine human voices. While these innovations facilitate beneficial applications such as personalized text-to-speech systems and voice preservation, they have also introduced significant risks, including deepfake impersonation scams and synthetic media-driven disinformation campaigns. Recent reports indicate that in 2024, deepfake fraud attempts surged by over 1,300% compared to 2023, underscoring the urgent need for robust audio content authentication. The financial sector has been particularly impacted, with a loss of over 10 million USD to voice scams and individual victims reporting losses exceeding $6,000 from AI-generated deepfake calls. In response, regulators and governments worldwide are enacting measures to improve AI content transparency and traceability, emphasizing the development of forensic tools and watermarking techniques as essential strategies to uphold media integrity.
• Abstract（参考訳）: 音声生成技術の急速な進歩により、人間の声と知覚的に区別できない音声の合成が可能になった。 これらの革新は、パーソナライズされた音声合成システムや音声保存などの有益な応用を促進する一方で、ディープフェイクの偽造詐欺や合成メディアによる偽情報キャンペーンなど、重大なリスクももたらした。 最近の報告では、2024年、ディープフェイク詐欺の試みは2023年に比べて1300%以上急増し、堅牢なオーディオコンテンツ認証の緊急の必要性が強調されている。 金融セクターは特に影響を受けており、音声詐欺による1000万ドル(約1億1000万円)の損失と、AI生成のディープフェイクコールから6000ドル(約6300万円)以上の損失を報告した個人犠牲者がいた。 これを受けて、規制当局と政府は、AIコンテンツの透明性とトレーサビリティを改善するための措置を制定し、メディアの整合性を維持するための重要な戦略として、法医学的ツールと透かし技術の開発を強調している。

関連論文リスト

• PRAC3 (Privacy, Reputation, Accountability, Consent, Credit, Compensation): Long Tailed Risks of Voice Actors in AI Data-Economy [11.226909625412373]
  本稿では,強制的制約を伴わない音声の合成複製が,個人を様々な脅威に晒す方法を明らかにする。 本稿では,プライバシ,評価,説明責任,同意,信用,補償を合成音声経済におけるデータ柱として活用するPRAC3フレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-07-22T05:39:39Z)
• What You Read Isn't What You Hear: Linguistic Sensitivity in Deepfake Speech Detection [7.555970188701627]
  我々は,オープンソースおよび商用のアンチスプーフィング検出器に対する転写レベルの逆攻撃を導入する。 攻撃の成功率は、オープンソースのディテクターとボイスで60%を超え、1つの商業的検出精度は、合成オーディオで100%からわずか32%に低下する。 その結果、純粋な音響防御を超えて、頑丈な防汚システムの設計における言語的変化を考慮する必要性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-05-23T06:06:37Z)
• Exploiting Vulnerabilities in Speech Translation Systems through Targeted Adversarial Attacks [59.87470192277124]
  本稿では,非知覚的音声操作による音声翻訳システム構築手法について検討する。 本研究では,(1)ソース音声への摂動注入,(2)ターゲット翻訳を誘導する対向音楽の生成という2つの革新的なアプローチを提案する。 我々の実験では、注意深く作られた音声摂動は、ターゲットとなる有害な出力を生成するために翻訳モデルを誤解させる可能性があるが、敵対的な音楽はこの目標をより隠蔽的に達成する。 この研究の意味は、直ちにセキュリティ上の懸念を越えて、ニューラル音声処理システムの解釈可能性と堅牢性に光を当てることである。
  論文  参考訳（メタデータ） (2025-03-02T16:38:16Z)
• Deepfake Technology Unveiled: The Commoditization of AI and Its Impact on Digital Trust [1.1402735220778926]
  ディープフェイク技術は、マルチメディアにおける不正、誤情報、および認証の侵食を可能にする。 Runway、Rope、ElevenLabsといったコスト効率のよいツールを使って、限られたリソースでどのように現実的なディープフェイクを作成できるかを調査します。 我々は,デジタルメディアの信頼を維持するために,規制枠組み,公衆意識,協力的努力の緊急の必要性を強調している。
  論文  参考訳（メタデータ） (2025-01-24T18:02:49Z)
• Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights [49.81915942821647]
  ディープラーニングは様々な分野に適用され、ディープフェイク検出への影響は例外ではない。 ディープフェイク(英: Deepfakes)は、政治的偽造、フィッシング、スランダリング、偽情報の拡散に偽装的に使用できる、偽物だが現実的な合成コンテンツである。 本稿では,ディープフェイク検出戦略の有効性を改善し,サイバーセキュリティとメディアの整合性に関する今後の研究を導くことを目的とする。
  論文  参考訳（メタデータ） (2024-11-12T09:02:11Z)
• Mitigating Unauthorized Speech Synthesis for Voice Protection [7.1578783467799]
  悪意のある音声による搾取は 我々の日常生活に大きな危険をもたらしました 個人音声など機密情報を含む公開音声データを保護することが重要である。 本稿では,従来の音声サンプルに知覚不可能な誤り最小化雑音を適用したPivotal Objective Perturbation(POP)を提案する。
  論文  参考訳（メタデータ） (2024-10-28T05:16:37Z)
• Deepfake Media Forensics: State of the Art and Challenges Ahead [51.33414186878676]
  AIが生成する合成メディア、別名Deepfakesは、エンターテイメントからサイバーセキュリティまで、多くの領域に影響を与えている。 ディープフェイク検出は、微妙な矛盾やアーティファクトを機械学習技術で識別することに焦点を当て、研究の不可欠な領域となっている。 本稿では,これらの課題に対処する主要なアルゴリズムについて,その利点,限界,今後の展望について検討する。
  論文  参考訳（メタデータ） (2024-08-01T08:57:47Z)
• PITCH: AI-assisted Tagging of Deepfake Audio Calls using Challenge-Response [14.604998731837595]
  我々は,対話型ディープフェイク音声通話の検出とタグ付けを行う,堅牢なチャレンジ応答手法であるPITCHを開発した。 PITCHの課題は、マシン検出能力を88.7%のAUROCスコアに向上させた。 疑わしい通話を「ディープフェイク風」とタグ付けする新しい人間とAI協調システムを開発した。
  論文  参考訳（メタデータ） (2024-02-28T06:17:55Z)
• WavMark: Watermarking for Audio Generation [70.65175179548208]
  本稿では,わずか1秒の音声スニペット内に最大32ビットの透かしを符号化する,革新的な音声透かしフレームワークを提案する。 透かしは人間の感覚に影響されず、様々な攻撃に対して強い弾力性を示す。 合成音声の効果的な識別子として機能し、オーディオ著作権保護の幅広い応用の可能性を秘めている。
  論文  参考訳（メタデータ） (2023-08-24T13:17:35Z)
• Deepfake audio detection by speaker verification [79.99653758293277]
  本研究では,話者の生体特性のみを活用する新しい検出手法を提案する。 提案手法は,既成話者検証ツールに基づいて実装することができる。 そこで我々は,3つの一般的なテストセット上で,優れた性能,高い一般化能力,高ロバスト性を有する音声障害に対する高ロバスト性を検証した。
  論文  参考訳（メタデータ） (2022-09-28T13:46:29Z)
• Audio Deepfake Attribution: An Initial Dataset and Investigation [41.62487394875349]
  我々は、Audio Deepfake Attribution (ADA)と呼ばれるオーディオ生成ツールの属性に対する最初のディープフェイクオーディオデータセットを設計する。 オープンセットオーディオディープフェイク属性(OSADA)のためのクラス・マルチセンター学習(CRML)手法を提案する。 実験の結果,CRML法は実世界のシナリオにおけるオープンセットリスクに効果的に対処できることが示された。
  論文  参考訳（メタデータ） (2022-08-21T05:15:40Z)
• Partially Fake Audio Detection by Self-attention-based Fake Span Discovery [89.21979663248007]
  本稿では,部分的に偽の音声を検出する自己認識機構を備えた質問応答(フェイクスパン発見)戦略を導入することで,新たな枠組みを提案する。 ADD 2022の部分的に偽の音声検出トラックで第2位にランクインした。
  論文  参考訳（メタデータ） (2022-02-14T13:20:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。