論文の概要: Poster: Exploring the Limits of Audio-Based Detection of Turkish Phone Call Scams

• arxiv url: http://arxiv.org/abs/2606.24523v1
• Date: Tue, 23 Jun 2026 12:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.960059
• Title: Poster: Exploring the Limits of Audio-Based Detection of Turkish Phone Call Scams
• Title（参考訳）: トルコの電話詐欺の音声による検出の限界を探るポスター
• Authors: Arda Eren, Micheal Cheung, Youqian Zhang, Grace Ngai, Eugene Yujun Fu,
• Abstract要約: 本研究では,トルコ語における大規模な言語モデルが詐欺検出をどのようにサポートするかを検討する。 我々は,100組の音声書き起こし対のスカムと良心的な会話からなる,最初の公開マルチモーダルデータセットを紹介する。 以上の結果から,書き起こしによる入力は直接音声処理より一貫して優れており,人間の誤りや訂正されていない書き起こしは相容れないことが示唆された。
• 参考スコア（独自算出の注目度）: 7.5167995904281755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scam phone calls exploit vulnerable communities worldwide, yet research on detection has focused almost exclusively on English and other high-resource languages. In low-resource settings such as Turkish, detection is especially difficult, as annotated data is scarce and technological defenses remain limited. This research investigates how large language models (LLMs) can support scam detection in Turkish by introducing the first public multi-modal dataset of 100 aligned audio-transcript pairs of scam and benign conversations. We evaluate seven LLMs spanning three model families: Gemini 2.5 (Flash, Flash-Lite, Pro), GPT-4o, and Qwen (Max, Plus, Turbo), under three input conditions: raw audio, automatic speech-to-text transcripts, and transcripts refined by a native speaker. Our results suggest that transcript-based inputs consistently outperform direct audio processing, while human-corrected and uncorrected transcripts perform comparably. By centering a low-resource language and real world threat, this work highlights the urgent need for culturally and linguistically inclusive AI safety research and more robust multi-modal systems for fraud prevention.
• Abstract（参考訳）: スカムコールは世界中の脆弱なコミュニティを悪用するが、検出の研究は英語や他の高リソース言語にのみ焦点を絞っている。 トルコのような低リソース環境では、注釈付きデータが不足し、技術的防御が限られているため、検出は特に困難である。 本研究では,大規模言語モデル (LLM) がトルコ語におけるスカム検出をどのようにサポートするかを検討する。 Gemini 2.5 (Flash, Flash-Lite, Pro), GPT-4o, Qwen (Max, Plus, Turbo) の3つのモデルファミリーにまたがる7つのLCMを, 生音声, 音声からテキストへの自動書き起こし, およびネイティブ話者による書き起こしの3つの入力条件下で評価した。 以上の結果から,書き起こしによる入力は直接音声処理より一貫して優れており,人間の誤りや訂正されていない書き起こしは相容れないことが示唆された。 低リソース言語と現実世界の脅威に集中することにより、この研究は、文化的かつ言語的に包括的なAI安全研究と、不正防止のためのより堅牢なマルチモーダルシステムに対する緊急の必要性を強調します。

関連論文リスト

• Multi-Speaker Conversational Audio Deepfake: Taxonomy, Dataset and Pilot Study [6.567506441691872]
  実話と完全合成された2話者会話を含む2,830の音声クリップからなるマルチ話者対話型オーディオディープフェイクスデータセット(MsCADD)を新たに導入する。 このデータセットでは、LFCC-LCNN、RawNet2、Wav2Vec 2.0の3つのニューラルネットワークベースラインモデルをベンチマークし、F1スコア、正確性、真正レート(TPR)、真負レート(TNR)の観点から性能を報告する。 以上の結果から,これらのベースラインモデルが有用なベンチマークとなったが,合成音声を確実に検出する上で,マルチスピーカーディープフェイク研究において大きなギャップがあることが示唆された。
  論文  参考訳（メタデータ） (2026-01-30T20:38:10Z)
• PRiSM: Benchmarking Phone Realization in Speech Models [70.82595415252682]
  音声認識(PR)は言語に依存しない言語間音声処理と音声解析のためのアトミックインタフェースとして機能する。 PRiSMは、音声知覚における盲点を明らかにするために設計された、最初のオープンソースベンチマークである。
  論文  参考訳（メタデータ） (2026-01-20T15:00:36Z)
• Synthetic Voices, Real Threats: Evaluating Large Text-to-Speech Models in Generating Harmful Audio [63.18443674004945]
  この研究は、TSシステムを利用して有害なコンテンツを含む音声を生成する、コンテンツ中心の脅威を探究する。 HARMGENは、これらの課題に対処する2つのファミリーにまとめられた5つの攻撃群である。
  論文  参考訳（メタデータ） (2025-11-14T03:00:04Z)
• Backdoor Attacks Against Speech Language Models [63.07317091368079]
  本研究は,音声認識モデルに対する音声バックドア攻撃に関する最初の体系的研究である。 4つの音声エンコーダと3つのデータセットにまたがってその効果を実証し、4つのタスクをカバーした。 汚染された事前訓練エンコーダの脅威を軽減できる微調整型防御法を提案する。
  論文  参考訳（メタデータ） (2025-10-01T17:45:04Z)
• Leveraging the Potential of Prompt Engineering for Hate Speech Detection in Low-Resource Languages [2.8811725782388686]
  本稿では,低リソースベンガル言語に着目した大規模言語モデル (LLM) の迅速なエンジニアリングにより,その限界を克服する方法について検討する。 我々は、ゼロショットプロンプト、拒絶抑制、分類器のフラット化、マルチショットプロンプト、ロールプロンプト、そして最後に、低リソース言語でヘイトスピーチを効果的に検出する革新的なメタファーの6つのプロンプトについて検討する。 低リソースのベンガル語におけるメタファーの有効性を証明するため、別の低リソースのヒンディー語と2つの高リソースの言語(英語とドイツ語)で評価した。
  論文  参考訳（メタデータ） (2025-06-30T14:59:25Z)
• ViClaim: A Multilingual Multilabel Dataset for Automatic Claim Detection in Videos [8.163570757541125]
  ViClaimは、3つの言語(英語、ドイツ語、スペイン語)と6つのトピックにわたる1,798の注釈付きビデオテキストのデータセットである。 転写文の各文には、クレーム関連カテゴリ: fact-check-worthy, fact-non-check-worthy, opinionの3つがラベル付けされている。
  論文  参考訳（メタデータ） (2025-04-17T12:14:38Z)
• 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)
• Low-Resourced Speech Recognition for Iu Mien Language via Weakly-Supervised Phoneme-based Multilingual Pre-training [12.460425460648516]
  本研究は,10時間未満のIu Mien言語を用いて,Iu Mien音声認識における3つのアプローチについて検討・比較する。 その結果,音素の監督はサブワードの監督や自己監督よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-18T08:46:47Z)
• Seamless: Multilingual Expressive and Streaming Speech Translation [71.12826355107889]
  本稿では,エンドツーエンドの表現型および多言語翻訳をストリーミング形式で実現するモデル群を紹介する。 まず,多言語およびマルチモーダルのSeamlessM4Tモデル-SeamlessM4T v2の改良版をコントリビュートする。 SeamlessExpressiveとSeamlessStreamingの主なコンポーネントをまとめてSeamlessを作ります。
  論文  参考訳（メタデータ） (2023-12-08T17:18:42Z)
• AudioPaLM: A Large Language Model That Can Speak and Listen [79.44757696533709]
  本稿では,音声理解・生成のための大規模言語モデルであるAudioPaLMを紹介する。 AudioPaLMはテキストベースの言語モデルと音声ベースの言語モデルを融合する。 音声認識や音声音声翻訳などの応用により、テキストと音声を処理および生成することができる。
  論文  参考訳（メタデータ） (2023-06-22T14:37:54Z)

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。