論文の概要: PC-Mix: Partial-Component Audio Spoofing Detection under Mixed Speech and Environmental Sound Conditions
- arxiv url: http://arxiv.org/abs/2607.10345v1
- Date: Sat, 11 Jul 2026 15:12:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.398649
- Title: PC-Mix: Partial-Component Audio Spoofing Detection under Mixed Speech and Environmental Sound Conditions
- Title（参考訳）: PC-Mix:混合音声と環境音環境下における部分成分音声スポーフィング検出
- Abstract要約: PC-Mixは部分成分スプーフィング検出のための最初のデータセットである。
PC-Mixでは、ボナフィドと部分的にスプーフされた環境音成分が最初に構築され、音声信号と混合される。
- 参考スコア（独自算出の注目度）: 5.865918439276438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies on partial audio spoofing mainly focus on studio-recorded speech with temporal localization of spoofed segments. However, these studies often overlook realistic conditions where spoofed and bonafide segments simultaneously coexist across speech and environmental sound components. In this paper, we present PC-Mix, the first dataset for partial-component spoofing detection, where either or both audio components may be partially spoofed. In PC-Mix, bonafide and partially spoofed environmental-sound components are first constructed and mixed with speech signals from an existing partial-spoof dataset, producing audio in which either or both components may be locally manipulated. This design addresses two major gaps in existing partial spoofing benchmarks: the lack of realistic environmental sounds in speech partial spoofing scenarios and the absence of partial spoofing detection for environmental sound components. We further establish standardized evaluation protocols and design a joint learning framework to optimize spoofing detection across speech, environmental sound, and mixed audio. Experiments highlight the increased difficulty introduced by mixed conditions. The results demonstrate that training under matched target conditions is more effective than directly transferring models trained on speech or environmental sound components.
- Abstract（参考訳）: 部分的音声スプーフィングに関する最近の研究は、主にスプーフィングセグメントの時間的局所化を伴うスタジオ録音音声に焦点を当てている。
しかしながら、これらの研究はしばしば、スプーフとボナフィドのセグメントが音声と環境音の成分間で同時に共存する現実的な状況を見落としている。
本稿では,PC-Mixについて述べる。PC-Mixは部分成分検出のための最初のデータセットである。
PC-Mixでは、ボナフィドと部分的にスプーフされた環境音成分が、まず既存の部分スプーフデータセットの音声信号と混合され、いずれかの成分を局所的に操作できるオーディオを生成する。
この設計は、既存の部分的スプーフィングベンチマークにおいて、音声部分的スプーフィングシナリオにおける現実的な環境音の欠如と、環境音成分に対する部分的スプーフィング検出の欠如という2つの大きなギャップに対処する。
我々はさらに、標準化された評価プロトコルを確立し、音声、環境音、混合音声のスプーフィング検出を最適化するための共同学習フレームワークを設計する。
実験は、混合条件によってもたらされる難易度の増加を浮き彫りにする。
その結果、一致した目標条件下でのトレーニングは、音声や環境音の成分で訓練されたモデルを直接転送するよりも効果的であることが示された。
関連論文リスト
- MADBench: A Benchmark for Modality-Aware Audio Deepfake Detection [18.1593708805924]
音声と環境音を異なる音響成分として扱う最初のベンチマークであるMADBenchを紹介する。
我々は、統一されたプロトコルの下で、最先端検出器とマルチモーダルな大規模言語モデルをベンチマークする。
実験の結果,環境音声操作は汎用エンコーダを用いた合成音声よりも検出しやすいことがわかった。
論文 参考訳（メタデータ） (2026-08-10T13:27:09Z) - Deepfake Audio Detection Using Self-supervised Fusion Representations [5.9998333708296245]
本稿では,環境対応音声・音響深度検出チャレンジ(ESDD2)2026への提出について述べる。
入力音声から音声と環境コンテキストの表現を協調的にモデル化する二分岐ディープフェイク検出フレームワークを提案する。
提案システムは,F1スコア70.20%,環境EER16.54%を達成し,ベースラインシステムを上回った。
論文 参考訳（メタデータ） (2026-05-05T06:51:41Z) - SSNAPS: Audio-Visual Separation of Speech and Background Noise with Diffusion Inverse Sampling [23.130313134690443]
本稿では,実環境騒音の存在下での単一マイクロホン音声分離と高機能化の課題について論じる。
提案手法は生成的逆サンプリングに基づいており, クリーンな音声と周囲の雑音を, 専用の拡散前処理でモデル化し, 基礎となるすべての音源の復元に共同で活用する。
我々は,1,2,3話者の混在音について評価し,完全に教師なしであるにもかかわらず,全ての条件において指導基準線が指導基準線より常に優れていたことを示す。
論文 参考訳（メタデータ） (2026-02-01T18:57:53Z) - Defense Against Synthetic Speech: Real-Time Detection of RVC Voice Conversion Attacks [0.0]
生成オーディオ技術は、高度にリアルな音声クローニングとリアルタイム音声変換を可能にする。
本研究では,検索音声変換を用いたAI生成音声のリアルタイム検出について検討する。
論文 参考訳（メタデータ） (2025-12-31T02:06:42Z) - Diffusion-Based Unsupervised Audio-Visual Speech Separation in Noisy Environments with Noise Prior [24.815262863931334]
クリーン音声と構造化雑音成分の両方をモデル化する生成的教師なし手法を提案する。
提案手法では,視覚的手がかりを取り入れた音声-視覚的スコアモデルを用いて,前代未聞の強い生成音声として機能する。
実験の結果,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2025-09-17T19:25:35Z) - Unleashing the Power of Natural Audio Featuring Multiple Sound Sources [54.38251699625379]
ユニバーサルサウンド分離は、混合音声から異なるイベントに対応するクリーンなオーディオトラックを抽出することを目的としている。
複雑な混合音声を複数の独立したトラックに分解するために,データエンジンを利用するフレームワークであるClearSepを提案する。
実験では、ClearSepは複数の音分離タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-04-24T17:58:21Z) - Describe Where You Are: Improving Noise-Robustness for Speech Emotion Recognition with Text Description of the Environment [28.491885755907575]
音声感情認識(SER)システムは、周囲ノイズが性能を著しく低下させる現実世界環境でしばしば苦労する。
本稿では,騒音条件下でのSER性能を最大化するために,テスト環境の事前知識を活用する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T02:30:40Z) - How Do Neural Spoofing Countermeasures Detect Partially Spoofed Audio? [53.58852794805362]
部分的にスプーフされたオーディオで訓練された対策(CM)は、そのようなスプーフを効果的に検出することができる。
我々はGrad-CAMを利用し、CMの判断を解釈するために定量的分析指標を導入する。
バルナフッ化物とスプーフドオーディオを連結した場合に発生する遷移領域のアーティファクトをCMが優先していることが判明した。
論文 参考訳（メタデータ） (2024-06-04T16:51:42Z) - Self-Supervised Visual Acoustic Matching [63.492168778869726]
音響マッチングは、ターゲットの音響環境に録音されたかのように、音声クリップを再合成することを目的としている。
そこで本研究では,対象のシーン画像と音声のみを含む,視覚的音響マッチングのための自己教師型アプローチを提案する。
提案手法は,条件付きGANフレームワークと新しいメトリクスを用いて,室内音響をアンタングル化し,音をターゲット環境に再合成する方法を共同で学習する。
論文 参考訳（メタデータ） (2023-07-27T17:59:59Z) - Sources of Noise in Dialogue and How to Deal with Them [63.02707014103651]
トレーニング対話システムは、ノイズの多いトレーニング例や予期しないユーザ入力を扱うことが多い。
その頻度にもかかわらず、現在、対話ノイズの正確な調査が欠けている。
本稿では,対話システムで発生する雑音の分類を初めて構築することによって,このギャップを解消する。
論文 参考訳（メタデータ） (2022-12-06T04:36:32Z) - End-to-End Binaural Speech Synthesis [71.1869877389535]
本稿では,低ビットレート音声システムと強力なデコーダを組み合わせたエンドツーエンド音声合成システムを提案する。
実感的な聴覚シーンを作るために必要な環境効果を捉える上で, 対人的損失がもたらす効果を実証する。
論文 参考訳（メタデータ） (2022-07-08T05:18:36Z) - Cross-domain Adaptation with Discrepancy Minimization for
Text-independent Forensic Speaker Verification [61.54074498090374]
本研究では,複数の音響環境下で収集したCRSS-Forensicsオーディオデータセットを紹介する。
我々は、VoxCelebデータを用いてCNNベースのネットワークを事前訓練し、次に、CRSS-Forensicsのクリーンな音声で高レベルのネットワーク層の一部を微調整するアプローチを示す。
論文 参考訳（メタデータ） (2020-09-05T02:54:33Z)
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。