論文の概要: Tracking the Trend in How Speech Synthesizers Deceive People

• arxiv url: http://arxiv.org/abs/2608.19959v1
• Date: Thu, 20 Aug 2026 12:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.561787
• Title: Tracking the Trend in How Speech Synthesizers Deceive People
• Title（参考訳）: 音声合成装置が人々を欺く状況の追跡
• Abstract要約: 2019年、2022年、2024年にリリースされた音声合成ツールを82人のIT専門家と比較した。 完全合成音声(フルスプーフ)では、F1スコアはRTVCとYourTTSの約90%から、ElevenLabsの48%に低下する。 発声文が1文だけ変更された部分スプーフィングでは、厳密な精度は9%に低下する。
• 参考スコア（独自算出の注目度）: 0.15635627702544694
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Advances in speech synthesis have made deepfake audio highly realistic. Earlier studies reported 70-80% human detection accuracy, but relied primarily on older synthesizers. We compare human detection for three selected voice synthesis tools released in 2019, 2022, and 2024 with 82 IT professionals, and benchmark humans against six pretrained detectors on the same material. For fully synthetic speech (full spoofs), the F1 score drops from about 90% for RTVC and YourTTS to 48% for ElevenLabs, although listeners were explicitly warned that deepfakes were present. For partial spoofing, where only one sentence of an utterance is altered, strict accuracy falls to 9%, and listeners classify the synthetic sentence as bona fide 77% of the time. Humans and detectors fail in complementary ways, and neither reliably localizes short manipulations. Additionally, listeners increasingly mislabel bona fide speech as fake, eroding trust in unmanipulated audio. These findings show that human perception alone is unreliable for the selected modern and partial-spoof conditions and motivate procedural verification, provenance, watermarking, and segment-level detection.
• Abstract（参考訳）: 音声合成の進歩はディープフェイク音声を非常にリアルにした。 以前の研究では、人間の検出精度は70-80%であったが、主に古いシンセサイザーに依存していた。 我々は、2019年、2022年、2024年にリリースされた3種類の音声合成ツールを82人のIT専門家と比較し、同じ素材上で事前訓練された6つの検出器に対して人間をベンチマークした。 完全合成音声(フルスプーフ)では、F1スコアはRTVCとYourTTSの約90%から、ElevenLabsの48%に低下するが、リスナーはディープフェイクの存在を明示的に警告した。 部分的なスプーフィングでは、発話の1つの文だけが変更され、厳密な精度が9%に低下し、聴取者は合成文を77%のボナ・フェイドに分類する。 人間と検出器は相補的な方法で失敗し、どちらもショート操作を確実にローカライズしない。 さらに、リスナーはますます、ボナ・フェイドのスピーチを偽物と誤解し、操作されていないオーディオに対する信頼を損なう。 これらの結果から,ヒトの知覚だけでは,選択された近代的および部分的スポーフ条件には信頼性が低く,手続き的検証,証明,透かし,セグメントレベルの検出が動機であることが示唆された。

関連論文リスト

• Eroding Trust in Real Speech: A Large-Scale Study of Human Audio Deepfake Perception [5.116378112926705]
  本稿では,現在までの音声深度知覚における最大の聴取方法について紹介する。 138音声・音声変換システムを対象に,1,768人の被験者から35,532人の判定を収集した。
  論文  参考訳（メタデータ） (2026-05-21T21:22:44Z)
• Can You Tell It's AI? Human Perception of Synthetic Voices in Vishing Scenarios [3.2976205772213123]
  大規模言語モデルと商用音声合成システムにより、高度にリアルなAI生成音声スカム(ビッシング)が可能になった しかし、現実的な詐欺の文脈でAIが生成した音声と人間の音声を確実に区別できるかどうかは不明だ。 その結果,22名の被験者がバイシングスタイルの音声クリップを16本評価し,それぞれ人間かAIに分類した。
  論文  参考訳（メタデータ） (2026-02-23T17:17:53Z)
• 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)
• Unmasking Illusions: Understanding Human Perception of Audiovisual Deepfakes [49.81915942821647]
  本研究は,ディープフェイク映像を主観的研究により識別する人間の能力を評価することを目的とする。 人間の観察者を5つの最先端オーディオ視覚深度検出モデルと比較することにより,その知見を提示する。 同じ40の動画で評価すると、すべてのAIモデルは人間より優れていることが分かりました。
  論文  参考訳（メタデータ） (2024-05-07T07:57:15Z)
• FairSSD: Understanding Bias in Synthetic Speech Detectors [15.548402598331275]
  既存の音声検出装置のバイアスを調べ、特定の性別、年齢、アクセントグループを不公平にターゲットするかどうかを判定する。 0.9万以上の音声信号を用いた6つの既存の合成音声検出器の実験では、ほとんどの検出器は性別、年齢、アクセントに偏っていることが示されている。
  論文  参考訳（メタデータ） (2024-04-17T01:53:03Z)
• Syn-Att: Synthetic Speech Attribution via Semi-Supervised Unknown Multi-Class Ensemble of CNNs [1.262949092134022]
  合成音声トラックを合成に用いるジェネレータに属性付ける新しい手法を提案する。 提案した検出器は、音声を対数メル分光器に変換し、CNNを用いて特徴を抽出し、5つの既知のアルゴリズムと未知のアルゴリズムを分類する。 ICASSP 2022のIEEE SP Cupチャレンジでは、Eval 2で12-13%、Eval 1で1-2%の精度で他のトップチームを上回った。
  論文  参考訳（メタデータ） (2023-09-15T04:26:39Z)
• SceneFake: An Initial Dataset and Benchmarks for Scene Fake Audio Detection [54.74467470358476]
  本稿では,シーンフェイク音声検出のためのデータセットSceneFakeを提案する。 操作されたオーディオは、オリジナルオーディオの音響シーンを改ざんするだけで生成される。 本論文では,SceneFakeデータセット上での擬似音声検出ベンチマーク結果について報告する。
  論文  参考訳（メタデータ） (2022-11-11T09:05:50Z)
• Deepfake audio detection by speaker verification [79.99653758293277]
  本研究では,話者の生体特性のみを活用する新しい検出手法を提案する。 提案手法は,既成話者検証ツールに基づいて実装することができる。 そこで我々は,3つの一般的なテストセット上で,優れた性能,高い一般化能力,高ロバスト性を有する音声障害に対する高ロバスト性を検証した。
  論文  参考訳（メタデータ） (2022-09-28T13:46:29Z)
• Audio-Visual Person-of-Interest DeepFake Detection [77.04789677645682]
  本研究の目的は、現実世界で遭遇する様々な操作方法やシナリオに対処できるディープフェイク検出器を提案することである。 我々は、対照的な学習パラダイムを活用して、各アイデンティティに対して最も識別しやすい、移動面と音声セグメントの埋め込みを学習する。 本手法は,シングルモダリティ(オーディオのみ,ビデオのみ)とマルチモダリティ(オーディオビデオ)の両方を検出でき,低品質・低画質ビデオに対して堅牢である。
  論文  参考訳（メタデータ） (2022-04-06T20:51:40Z)
• Partially Fake Audio Detection by Self-attention-based Fake Span Discovery [89.21979663248007]
  本稿では,部分的に偽の音声を検出する自己認識機構を備えた質問応答(フェイクスパン発見)戦略を導入することで,新たな枠組みを提案する。 ADD 2022の部分的に偽の音声検出トラックで第2位にランクインした。
  論文  参考訳（メタデータ） (2022-02-14T13:20:55Z)
• Detection of AI-Synthesized Speech Using Cepstral & Bispectral Statistics [0.0]
  本稿では,AI合成音声と人間の音声を区別する手法を提案する。 高次統計は、合成音声と比較して人間の音声の相関が低い。 また, ケプストラム分析により, 合成音声に欠落する人間の音声の耐久性成分が明らかになった。
  論文  参考訳（メタデータ） (2020-09-03T21:29:41Z)

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。