論文の概要: A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography

• arxiv url: http://arxiv.org/abs/2608.25285v1
• Date: Wed, 26 Aug 2026 01:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.52925
• Title: A Training-Free Proactive Defense Against Partial Speech Manipulation via Self-Embedding Steganography
• Title（参考訳）: 自己埋め込みステガノグラフィーによる部分的音声操作に対する訓練不要な前向き防御
• Abstract要約: 部分的なディープフェイク音声は、既存のディープフェイク検出システムにとって重要な課題である。 オーディオステガノグラフィーは,部分的深層音響に対する積極的な防御法として提案される。 本稿では,既存のオーディオステガノグラフィー手法を用いて,部分的なディープフェイクの検出を支援する方法について述べる。
• 参考スコア（独自算出の注目度）: 34.948149764638806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partial deepfake speech, where only limited segments of an utterance are synthesized or manipulated, poses a significant challenge to existing deepfake detection systems. As the proportion of spoofed regions decreases, passive detectors become increasingly unreliable, and accurate detection and restoration remain challenging. In this paper, we revisit audio steganography from a new perspective and propose its use as a proactive defense against partially deepfaked audio. In particular, we consider a self-embedding strategy in which a clean speech signal embeds a compressed representation of itself, enabling post-hoc extraction of reference content. We demonstrate how existing audio steganography methods can be repurposed to support detection of partial deepfakes through codec-based restoration. Experiments on a benchmark dataset show that the proposed approach complements passive defenses. Remarkably, the proposed method operates without any training, providing a robust and data-efficient alternative for partial deepfake detection.
• Abstract（参考訳）: 発話の限られた部分のみを合成または操作する部分的なディープフェイク音声は、既存のディープフェイク検出システムに重大な課題をもたらす。 スプーフ領域の割合が減少するにつれて、受動的検出器はますます信頼性が低下し、正確な検出と復元は困難である。 本稿では,新たな視点からオーディオステガノグラフィーを再考し,部分的な深層音響に対する積極的な防御手段としての利用を提案する。 特に、クリーンな音声信号が自分自身の圧縮表現を埋め込んで、参照コンテンツのポストホック抽出を可能にする自己埋め込み戦略を考える。 コーデックによる復元による部分的なディープフェイクの検出を支援するため,既存のオーディオステガノグラフィー手法をいかに再利用できるかを実証する。 ベンチマークデータセットの実験では、提案手法がパッシブディフェンスを補完することが示された。 注目すべきは、提案手法はトレーニングなしで動作し、部分的なディープフェイク検出のための堅牢でデータ効率のよい代替手段を提供することである。

関連論文リスト

• Combining Self-Embedding Audio Watermarking with Ultra-Low-Bitrate Neural Codecs [35.36605987953242]
  音声録音の部分的な操作は、コンテンツ完全性検証の課題となる。 ウォーターマーキングは、配布前に補助情報を埋め込むことによって、積極的な防御手段を提供する。 本研究は, 理想的な条件下での積極的防御性能の探索である。
  論文  参考訳（メタデータ） (2026-08-26T01:55:15Z)
• SAVe: Self-Supervised Audio-visual Deepfake Detection Exploiting Visual Artifacts and Audio-visual Misalignment [74.05278327933006]
  SAVeは,音声・視覚深度検出フレームワークで,映像の完全学習を行う。 SAVEは、タグ付けアーティファクトをエミュレートするために、オンザフライ、アイデンティティ保存、地域対応の自明な擬似操作を生成する。 クロスモーダルな証拠を捉えるために、SAVeはリップ音声同期もモデル化している。
  論文  参考訳（メタデータ） (2026-03-26T08:01:35Z)
• Sparse deepfake detection promotes better disentanglement [4.901409400999413]
  スパースディープフェイク検出は,ASVSpoof5テストセット上でのEERの23.36%で検出性能が95%向上することを示した。 次に,これらの表現が相互情報に基づく完全性およびモジュラリティの指標を用いて,より不整合性を示すことを示す。
  論文  参考訳（メタデータ） (2025-10-07T09:03:39Z)
• Anomaly Detection and Localization for Speech Deepfakes via Feature Pyramid Matching [8.466707742593078]
  音声ディープフェイク(英: Speech Deepfakes)は、ターゲット話者の声を模倣できる合成音声信号である。 音声のディープフェイクを検出する既存の方法は教師あり学習に依存している。 本稿では,音声深度検出を異常検出タスクとして再設定する,新しい解釈可能な一クラス検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-23T11:15:22Z)
• Detecting the Undetectable: Assessing the Efficacy of Current Spoof Detection Methods Against Seamless Speech Edits [82.8859060022651]
  音声入力編集(SINE)データセットをVoiceboxで作成する。 本手法を用いて編集した音声は従来のカット・アンド・ペースト法よりも検出が困難であることを確認した。 人的困難にもかかわらず, 自己監督型検出器は検出, 局所化, 一般化において顕著な性能を発揮することを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-01-07T14:17:47Z)
• SafeEar: Content Privacy-Preserving Audio Deepfake Detection [17.859275594843965]
  音声コンテンツにアクセスすることなくディープフェイク音声を検知する新しいフレームワークであるSafeEarを提案する。 私たちのキーとなるアイデアは、ニューラルオーディオを、セマンティックおよび音響情報をオーディオサンプルから適切に分離する、新しいデカップリングモデルに組み込むことです。 このようにして、セマンティックな内容が検出器に露出されることはない。
  論文  参考訳（メタデータ） (2024-09-14T02:45:09Z)
• Training-Free Deepfake Voice Recognition by Leveraging Large-Scale Pre-Trained Models [52.04189118767758]
  一般化は、現在のオーディオディープフェイク検出器の主な問題である。 本稿では,オーディオディープフェイク検出のための大規模事前学習モデルの可能性について検討する。
  論文  参考訳（メタデータ） (2024-05-03T15:27:11Z)
• NPVForensics: Jointing Non-critical Phonemes and Visemes for Deepfake Detection [50.33525966541906]
  既存のマルチモーダル検出手法は、Deepfakeビデオを公開するために、音声と視覚の不整合をキャプチャする。 NPVForensics と呼ばれる非臨界音素とビセムの相関関係を抽出する新しいディープフェイク検出法を提案する。 我々のモデルは、微調整で下流のDeepfakeデータセットに容易に適応できる。
  論文  参考訳（メタデータ） (2023-06-12T06:06:05Z)
• Self-supervised Transformer for Deepfake Detection [112.81127845409002]
  現実世界のシナリオにおけるディープフェイク技術は、顔偽造検知器のより強力な一般化能力を必要とする。 転送学習に触発されて、他の大規模な顔関連タスクで事前訓練されたニューラルネットワークは、ディープフェイク検出に有用な機能を提供する可能性がある。 本稿では,自己教師型変換器を用いた音声視覚コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-02T17:44:40Z)

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。