論文の概要: Multilingual Dataset Integration Strategies for Robust Audio Deepfake Detection: A SAFE Challenge System
- arxiv url: http://arxiv.org/abs/2508.20983v1
- Date: Thu, 28 Aug 2025 16:37:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.516776
- Title: Multilingual Dataset Integration Strategies for Robust Audio Deepfake Detection: A SAFE Challenge System
- Title（参考訳）: ロバストオーディオディープフェイク検出のための多言語データセット統合手法:SAFEチャレンジシステム
- Authors: Hashim Ali, Surya Subramani, Lekha Bollinani, Nithin Sai Adupa, Sali El-Loh, Hafiz Malik,
- Abstract要約: SAFE Challengeは3つのタスクにわたる合成音声検出を評価する。
本研究では, 自己教師型学習フロントエンド, トレーニングデータ構成, 音声長設定を, 堅牢なディープフェイク検出のために検討する。
我々は第1タスク(修正されていない音声検出)と第3タスク(洗浄された音声検出)の両方において第2位を達成する。
- 参考スコア（独自算出の注目度）: 2.1398371344897273
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The SAFE Challenge evaluates synthetic speech detection across three tasks: unmodified audio, processed audio with compression artifacts, and laundered audio designed to evade detection. We systematically explore self-supervised learning (SSL) front-ends, training data compositions, and audio length configurations for robust deepfake detection. Our AASIST-based approach incorporates WavLM large frontend with RawBoost augmentation, trained on a multilingual dataset of 256,600 samples spanning 9 languages and over 70 TTS systems from CodecFake, MLAAD v5, SpoofCeleb, Famous Figures, and MAILABS. Through extensive experimentation with different SSL front-ends, three training data versions, and two audio lengths, we achieved second place in both Task 1 (unmodified audio detection) and Task 3 (laundered audio detection), demonstrating strong generalization and robustness.
- Abstract（参考訳）: SAFE Challengeは、修正されていないオーディオ、圧縮アーティファクトを備えた処理されたオーディオ、検出を回避するために設計された洗浄されたオーディオの3つのタスクにわたる合成音声検出を評価する。
我々は,自己教師付き学習(SSL)フロントエンド,データ構成のトレーニング,および堅牢なディープフェイク検出のためのオーディオ長設定を体系的に検討する。
AASISTベースのアプローチでは、WavLMの大規模なフロントエンドとRawBoost拡張が組み込まれており、CodecFake、MLAAD v5、SpofCeleb、Famous Figures、MAILABSの9つの言語と70以上のTSシステムにまたがる256,600のサンプルの多言語データセットに基づいてトレーニングされています。
異なるSSLフロントエンド,3つのトレーニングデータバージョン,2つのオーディオ長の広範な実験を通じて,第1タスク(修正されていない音声検出)と第3タスク(洗浄された音声検出)の双方で第2位を獲得し,強力な一般化と堅牢性を示した。
関連論文リスト
- Towards Robust Overlapping Speech Detection: A Speaker-Aware Progressive Approach Using WavLM [53.17360668423001]
重なり合う音声検出(OSD)は、会話中に複数の話者が重複する領域を特定することを目的としている。
本研究では,サブタスク間の相関性を高めるために,プログレッシブトレーニング戦略を活用する話者対応プログレッシブOSDモデルを提案する。
実験の結果,提案手法は,AMIテストセット上でF1スコアが82.76%の最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2025-05-29T07:47:48Z) - Leveraging Reverberation and Visual Depth Cues for Sound Event Localization and Detection with Distance Estimation [3.2472293599354596]
本報告では,DCASE2024タスク3の課題として,音源距離推定による音声・音声イベントの定位と検出を行うシステムについて述べる。
本モデルでは,ResNet50で抽出したビデオとオーディオの埋め込みを,SELDで事前学習したオーディオエンコーダで処理するAVコンバータをベースとした。
このモデルは、STARSS23データセットの開発セットのオーディオ視覚ベースラインを広いマージンで上回り、DOAEを半分にし、F1を3倍以上改善した。
論文 参考訳（メタデータ） (2024-10-29T17:28:43Z) - Where are we in audio deepfake detection? A systematic analysis over generative and detection models [59.09338266364506]
SONARはAI-Audio Detection FrameworkとBenchmarkの合成である。
最先端のAI合成聴覚コンテンツを識別するための総合的な評価を提供する。
従来のモデルベース検出システムと基礎モデルベース検出システムの両方で、AIオーディオ検出を均一にベンチマークする最初のフレームワークである。
論文 参考訳（メタデータ） (2024-10-06T01:03:42Z) - SpoofCeleb: Speech Deepfake Detection and SASV In The Wild [76.71096751337888]
SpoofCelebは、音声ディープフェイク検出(SDD)とスポフィングロバスト自動話者検証(SASV)のために設計されたデータセットである。
SpoofCelebは、1,251人のユニークな話者による250万以上の発話で構成され、自然界の状況下で収集されている。
論文 参考訳（メタデータ） (2024-09-18T23:17:02Z) - SafeEar: Content Privacy-Preserving Audio Deepfake Detection [17.859275594843965]
音声コンテンツにアクセスすることなくディープフェイク音声を検知する新しいフレームワークであるSafeEarを提案する。
私たちのキーとなるアイデアは、ニューラルオーディオを、セマンティックおよび音響情報をオーディオサンプルから適切に分離する、新しいデカップリングモデルに組み込むことです。
このようにして、セマンティックな内容が検出器に露出されることはない。
論文 参考訳（メタデータ） (2024-09-14T02:45:09Z) - TranssionADD: A multi-frame reinforcement based sequence tagging model
for audio deepfake detection [11.27584658526063]
第2回Audio Deepfake Detection Challenge (ADD 2023)は、ディープフェイク音声の検出と分析を目的としている。
本稿では,モデルロバストネスと音声セグメント出力の解法として,新しいTranssionADDシステムを提案する。
提案システムの有効性とロバスト性を実証し, トラック2で2位となった。
論文 参考訳（メタデータ） (2023-06-27T05:18:25Z) - WavCaps: A ChatGPT-Assisted Weakly-Labelled Audio Captioning Dataset for Audio-Language Multimodal Research [82.42802570171096]
約400kの音声クリップとペアキャプションを組み合わせた,大規模な音声キャプションデータセットであるWavCapsを紹介した。
オンラインハーベストな生の記述は非常にうるさいし、自動音声キャプションなどのタスクで直接使うには適さない。
本稿では,大規模な言語モデルであるChatGPTを用いて,ノイズの多いデータをフィルタリングし,高品質なキャプションを生成するための3段階処理パイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-30T14:07:47Z)
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。