論文の概要: Probing Speaker Identity Sensitivity in Audio Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2607.21820v1
• Date: Thu, 23 Jul 2026 21:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.001942
• Title: Probing Speaker Identity Sensitivity in Audio Deepfake Detectors
• Title（参考訳）: オーディオディープフェイク検出器における話者識別感度の探索
• Abstract要約: ISS(Identity Sensitivity Score)は、音声ディープフェイク検出における話者依存的故障分析のための発話ごとの診断である。 ISSは正しく分類された発話の29～52倍のスコアを示し、ISS単独ではAUCによる誤分類を0.954まで予測している。 ISSは、オーディオディープフェイク検出における話者依存型障害解析の実用的な推論時間診断である。
• 参考スコア（独自算出の注目度）: 6.369212768424994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Audio deepfake detectors are trained to distinguish genuine speech from synthetic speech and often perform well on standard benchmarks. Yet the same detector that achieves less than 1% error on one dataset can see its error rate increase twentyfold when evaluated on a different dataset. We argue that one contributing factor is speaker-identity reliance: standard training corpora correlate speaker identity with the genuine/synthetic label, allowing detectors to partially rely on speaker-related cues rather than synthesis artifacts alone. We propose the Identity Sensitivity Score (ISS), a per-utterance diagnostic that quantifies how much a detector's output changes across different speaker identity contexts. ISS requires no ground-truth labels at inference time and can be computed from the detector score and a pool of reference speaker examples. Across two detectors and two datasets, incorrectly classified utterances have ISS scores 29 to 52 times higher than correctly classified utterances, and ISS alone predicts misclassification with area-under-curve (AUC) up to 0.954. To test whether ISS actually captures identity-sensitive behavior rather than serving only as a proxy for prediction confidence, we apply voice conversion to 500 utterances and measure the resulting detector-score shift. Utterances flagged as identity-sensitive by ISS respond 19 to 30 times more strongly to this manipulation than utterances flagged as stable. These results position ISS as a practical inference-time diagnostic for speaker-dependent failure analysis in audio deepfake detection.
• Abstract（参考訳）: オーディオディープフェイク検出器は、本物の音声と合成音声を区別するように訓練され、標準のベンチマークでよく機能する。 しかし、1つのデータセットで1%未満のエラーを達成する同じ検出器では、異なるデータセットで評価すると、そのエラー率は20倍に増加する。 標準訓練コーパスは、話者のアイデンティティと真の/合成ラベルを関連付け、検出器は、合成人工物だけでなく、話者に関連する手がかりに部分的に依存することができる。 本稿では,話者識別コンテキスト間で検出者の出力がどの程度変化するかを定量化する,発話毎の診断手法であるIdentity Sensitivity Score(ISS)を提案する。 ISSは、推定時刻に基調ラベルを必要とせず、検出器のスコアと参照話者のサンプルのプールから計算することができる。 2つの検出器と2つのデータセットで、誤って分類された発話は、正しく分類された発話の29倍から52倍高く、ISS単独では、エリアアンダーカーブ(AUC)による誤分類を0.954まで予測している。 ISSは、予測信頼のためのプロキシとしてのみ機能するのではなく、実際にアイデンティティに敏感な振る舞いを捉えているかどうかをテストするために、500発の発話に音声変換を適用し、その結果の検出器・スコアシフトを測定する。 ISSが識別に敏感であると宣言した発話は、この操作に19倍から30倍強く反応する。 これらの結果から,ISSは音声ディープフェイク検出における話者依存型故障解析の実践的推論時間診断として位置づけられた。

関連論文リスト

• DETECT-3B-Omni is Agnostic of Content and Demographics [4.1881782374871115]
  本稿では,Resemble AI 検出器 DETECT-3B-Omni のセマンティック独立性について大規模に検討する。 検出精度は、音声コンテンツ(良性か悪意か)、話者性別、話者年齢、話者領域に依存するかを検証する。 したがって、検出器は、音声が何を言っているか、スピーカーが誰であるかに関わらず、AIが生成したオーディオを同等の精度で識別する。
  論文  参考訳（メタデータ） (2026-07-03T15:27:17Z)
• What Do Deepfake Speech Detectors Actually Hear? [0.16419687521433918]
  ディープフェイク音声検出装置は、なぜオーディオサンプルがフラグ付けされたのか、証拠がどこにあるのか、何の手がかりが決定を導くのかを説明せずに、単一のスコアを出力することが多い。 本稿では,時間とともに決定証拠をローカライズするために,時間順の自己教師付き表現に積分勾配を用いた音声ネイティブな説明可能性パイプラインを提案する。 提案手法は, ASVspoof 5上の3つのWavLM検出器(AASIST, CA-MHFA, SLS)に適用し, 最も重要な手がかりを意味づけるために, 最大属性領域を手動で注釈付けする。
  論文  参考訳（メタデータ） (2026-06-09T14:21:45Z)
• Speaker-Invariant Representation Learning for Spoofing Detection via Gradient Reversal and A Variational Information Bottleneck [7.166778372225167]
  話者不変なスプーフィング検出のための教師学習フレームワークを提案する。 我々は、事前学習した話者認識教師を利用して、勾配反転層を介して生徒モデルを指導する。 本モデルでは,MHFAベースラインと比較してEERに対して25.7%の削減を実現している。
  論文  参考訳（メタデータ） (2026-06-07T15:31:00Z)
• Membership Inference Attacks against Large Audio Language Models [50.84901010528239]
  大規模音声言語モデル(LALM)のMIA評価について述べる。 テキスト,スペクトル,韻律的特徴に基づくマルチモーダルブラインドベースラインを用いて,一般的な音声データセットがほぼ完璧な列車/テスト分離性を示すことを示す。 以上の結果から, LALM検査の基準基準が確立された。
  論文  参考訳（メタデータ） (2026-03-30T12:45:28Z)
• SNAP: Speaker Nulling for Artifact Projection in Speech Deepfake Detection [51.096014381455454]
  自己教師付き学習ベースの音声エンコーダは、目に見えない話者を一般化するのに苦労する。 話者の絡み合いは、検出者が人工物に関連する手がかりではなく、話者固有の相関を悪用する原因となる。 我々は、この依存を軽減するために、SNAPという話者無効化フレームワークを紹介した。
  論文  参考訳（メタデータ） (2026-03-21T07:05:30Z)
• Assessing the Impact of Speaker Identity in Speech Spoofing Detection [1.7816843507516946]
  スポット検出システムは、通常、複数の話者からの多様な記録を用いて訓練される。 本稿では,スプーフィング検出システムにおける話者情報の影響について検討する。 本稿では,話者不変型マルチタスクフレームワークにおける2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-24T11:45:41Z)
• Evaluating Identity Leakage in Speaker De-Identification Systems [1.7699344561127388]
  話者識別は, 話者の身元を隠蔽し, 話者の身元を隠蔽することを目的としている。 3つの相補的誤り率で残差アイデンティティリークを定量化するベンチマークを導入する。 評価結果から,最先端話者識別システムはすべて識別情報を漏洩していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-19T17:20:25Z)
• Speaker Embeddings to Improve Tracking of Intermittent and Moving Speakers [53.12031345322412]
  話者埋め込みを用いた個人識別再割り当て後追跡を提案する。 ビームフォーミングは、話者埋め込みを計算するために、話者の位置に対する信号を強化するために使用される。 不活発な期間に話者の位置が変化するデータセット上で,提案した話者埋め込みに基づくアイデンティティ再割り当て手法の性能を評価する。
  論文  参考訳（メタデータ） (2025-06-23T13:02:20Z)
• Meta-Learning Framework for End-to-End Imposter Identification in Unseen Speaker Recognition [4.143603294943441]
  未確認話者認識における不適切な識別のための固定しきい値(EERメトリックを用いた計算)を用いた一般化の問題を示す。 次に、より優れた性能を実現するために、頑健な話者特異的しきい値設定手法を導入する。 提案手法の有効性をVoxCeleb1, VCTK, FFSVC 2022データセットで示し, ベースラインを最大10%上回った。
  論文  参考訳（メタデータ） (2023-06-01T17:49:58Z)
• In search of strong embedding extractors for speaker diarisation [49.7017388682077]
  話者ダイアリゼーションにEEを採用する際の2つの重要な問題に対処する。 まず、性能向上に必要な特徴が話者検証とダイアリゼーションに異なるため、評価は簡単ではない。 広く採用されている話者検証評価プロトコルの性能向上は、ダイアリゼーション性能の向上に繋がらないことを示す。 重なり合う音声や話者変化の入力を認識するために,2番目の問題を緩和する2つのデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2022-10-26T13:00:29Z)
• FoolHD: Fooling speaker identification by Highly imperceptible adversarial Disturbances [63.80959552818541]
  話者識別モデルに対する知覚不能な摂動を発生させるホワイトボックス・ステガノグラフィーによる敵攻撃を提案する。 我々のアプローチであるFoolHDは、DCTドメインで動作するGated Convolutional Autoencoderを使用し、多目的損失関数で訓練されている。 我々は,VoxCelebを用いて訓練した250話者識別xベクトルネットワークを用いてFoolHDを検証する。
  論文  参考訳（メタデータ） (2020-11-17T07:38:26Z)
• 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。