論文の概要: Large Audio Language Models for Spoofing-Aware Speaker Verification

• arxiv url: http://arxiv.org/abs/2607.14753v1
• Date: Thu, 16 Jul 2026 09:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.054487
• Title: Large Audio Language Models for Spoofing-Aware Speaker Verification
• Title（参考訳）: 音声認識話者検証のための大規模音声言語モデル
• Abstract要約: この研究は、スプーフィング対応話者検証(SASV)のための大規模音声言語モデル(LALM)を体系的に評価する。 以上の結果から, LALM はゼロショット設定では近づき, SASV のネイティブではないことが確認された。 これらの知見はLALMを統合SASVの有望かつ監査可能な基盤と位置づけた。
• 参考スコア（独自算出の注目度）: 2.5741280958081303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in text-to-speech and voice cloning make high-quality spoofing inexpensive and scalable, threatening voice authentication systems, especially automatic speaker verification (ASV). Existing defenses mainly address this threat through binary countermeasures (CMs) for deepfake detection or spoofing-aware speaker verification (SASV), where current systems are dominated by modular ASV-CM fusion and cascaded pipelines. Although large audio language models (LALMs) have shown promise on related audio tasks, including CM and ASV, their use for SASV remains unexplored, despite their capacity to produce natural-language rationales for auditing and robustness beyond discriminative predictions. This work systematically evaluates LALMs for SASV against conventional pipelines under zero-shot prompting, supervised adaptation, reasoning-oriented training, and reinforcement-learning-based optimization. Our results show that pretrained LALMs are near chance in the zero-shot setting, confirming that they are not natively suited to SASV, but that task-specific adaptation closes this gap. We further find that competitive SASV performance can be achieved through several distinct routes. These findings position LALMs as a promising and auditable foundation for unified SASV, while clarifying where conventional cascade systems still lead.
• Abstract（参考訳）: 近年の音声合成と音声合成の進歩は、高品質なスプーフィングを安価でスケーラブルにし、音声認証システム、特に自動話者検証(ASV)を脅かす。 既存の防衛は、ディープフェイク検出やスプーフィング対応話者検証(SASV)のためのバイナリ対策(CM)を通じてこの脅威に対処し、現在のシステムはモジュール型AVV-CM融合とカスケードパイプラインによって支配されている。 大規模オーディオ言語モデル(LALM)は、CMやASVなどの関連する音声タスクを約束しているが、SASVの使用は、監査や差別的予測以上の堅牢性を自然言語で表す能力があるにもかかわらず、まだ探索されていない。 この研究は、ゼロショットプロンプト、教師付き適応、推論指向トレーニング、強化学習に基づく最適化の下で、SASVのLALMを従来のパイプラインに対して体系的に評価する。 以上の結果から,事前学習したLALMはゼロショット設定に近づき,SASVには適さないが,タスク固有の適応はこのギャップを埋めることが明らかとなった。 さらに,SASVの競合性能は,複数の異なる経路で達成できることが判明した。 これらの結果から,LALMはSASV統合のための有望かつ監査可能な基盤として位置づけられた。

関連論文リスト

• DFKI-Speech System for WildSpoof Challenge: A robust framework for SASV In-the-Wild [6.7142637668069405]
  本研究では,スプーフィング検知器と話者検証ネットワークをタンデムで動作させる頑健なSASVフレームワークを提案する。 話者検証には、複数のスケールで2Dと1Dの機能を融合する低複雑さ畳み込みニューラルネットワークを適用する。 固定コホートに基づくASノルムスコア正規化とモデルアンサンブルは、話者検証システムの識別能力を高めるために用いられる。
  論文  参考訳（メタデータ） (2026-02-02T16:27:04Z)
• Towards interfacing large language models with ASR systems using confidence measures and prompting [54.39667883394458]
  本研究では,大言語モデル(LLM)を用いたASRテキストのポストホック修正について検討する。 精度の高い転写文に誤りを導入することを避けるため,信頼度に基づくフィルタリング手法を提案する。 その結果,競争力の低いASRシステムの性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2024-07-31T08:00:41Z)
• It's Never Too Late: Fusing Acoustic Information into Large Language Models for Automatic Speech Recognition [70.77292069313154]
  大規模言語モデル(LLM)は、自動音声認識(ASR)出力の上の生成誤り訂正(GER)に成功することができる。 本研究では,不確実性認識ダイナミックフュージョン (UADF) と呼ばれる新しい遅延融合解によって予測された転写を生成する前に,音響情報を注入することにより,そのような制限を克服することを目的とする。
  論文  参考訳（メタデータ） (2024-02-08T07:21:45Z)
• Generalizing Speaker Verification for Spoof Awareness in the Embedding Space [30.094557217931563]
  ASVシステムは様々な種類の敵を用いて偽造することができる。 本稿では,ディープニューラルネットワークに基づく新しいバックエンド分類手法を提案する。 ASVspoof 2019論理アクセスデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2024-01-20T07:30:22Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Leveraging Large Language Models for Exploiting ASR Uncertainty [16.740712975166407]
  大規模な言語モデルは、書き起こしのための既製の音声認識システムに依存するか、あるいは内蔵された音声モダリティを備える必要がある。 我々は,高い単語誤り率でLLMの発話意図を理解する能力を制限する音声意図分類タスクに取り組む。 我々は,誤り発生1-best仮説に代えて,ASR仮説のn-bestリストでLLMを推し進めることを提案する。
  論文  参考訳（メタデータ） (2023-09-09T17:02:33Z)
• Towards single integrated spoofing-aware speaker verification embeddings [63.42889348690095]
  本研究は,1つの統合スプーフィング対応話者検証埋め込みを開発することを目的とする。 単一のSASV埋め込みの劣った性能は、不十分なトレーニングデータから得られると分析する。 実験では、SASV2022チャレンジの評価プロトコルにおいて、SASV-EERが1.06%に達するという劇的な改善が示された。
  論文  参考訳（メタデータ） (2023-05-30T14:15:39Z)
• Tackling Spoofing-Aware Speaker Verification with Multi-Model Fusion [88.34134732217416]
  この研究は、融合に基づくSASVソリューションに焦点を当て、複数の最先端 ASV と CM モデルのパワーを利用するマルチモデル融合フレームワークを提案する。 提案したフレームワークはSASV-EERを8.75%から1.17%に大幅に改善している。
  論文  参考訳（メタデータ） (2022-06-18T06:41:06Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• A Unified Deep Learning Framework for Short-Duration Speaker Verification in Adverse Environments [16.91453126121351]
  話者検証(SV)システムは、特に雑音や残響環境において、短い音声セグメントに対して堅牢であるべきである。 これら2つの要件を満たすため、機能ピラミッドモジュール(FPM)ベースのマルチスケールアグリゲーション(MSA)と自己適応型ソフトVAD(SAS-VAD)を導入する。 SV、VAD、SEモデルを統合されたディープラーニングフレームワークで組み合わせ、エンドツーエンドでネットワーク全体を共同でトレーニングします。
  論文  参考訳（メタデータ） (2020-10-06T04:51:45Z)

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。