論文の概要: Zero-Shot Temporal Localisation of Audio Deepfakes in Multi-Speaker Conversations

• arxiv url: http://arxiv.org/abs/2609.10051v1
• Date: Wed, 09 Sep 2026 11:27:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.003186
• Title: Zero-Shot Temporal Localisation of Audio Deepfakes in Multi-Speaker Conversations
• Title（参考訳）: 複数話者会話における音声ディープフェイクのゼロショット時間的位置推定
• Abstract要約: トレーニングフリーの5段階パイプラインは凍結されたバイナリ検出器をラップし、再トレーニングなしでセグメントレベルの出力を追加する。 ASVspoof 5からの180の複数話者会話では、強いバックボーンを持つ時間交叉対結合0.90、時間検出率0.95、MS-DCF0.26が達成された。 実際の発話における偽アラームレートは6%未満であり、真のマルチ話者対話(AMI)では2%以下である。 同一のパイプラインの下では、訓練されたローカライザが時間IoUを約0.04改善し、監督を継続するコストを抑える。
• 参考スコア（独自算出の注目度）: 4.152774504513197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Voice-cloning fraud increasingly relies on surgical injection: a genuine conversation in which only one or two sentences are replaced by synthetic speech. Utterance-level deepfake detectors emit a single real/fake label per clip and cannot report where the synthetic speech lies. We formalise this as Temporal Deepfake Localisation in Multi-Speaker Conversations (TDLMC), show that equal error rate and min-DCF are ill-posed once a file contains both classes, and propose temporal metrics for this regime. Our contribution is a training-free five-stage pipeline that wraps a frozen binary detector and adds segment-level output with no retraining, using a two-threshold hysteresis finitestate-machine decoder to turn noisy window scores into coherent intervals. On 180 constructed multi-speaker conversations from ASVspoof 5, the system attains temporal intersection-over-union 0.90, temporal detection rate 0.95, and MS-DCF 0.26 with a strong backbone, and its false-alarm rate on genuine speech is below 6%, falling under 2% on genuine real multi-speaker dialogue (AMI). Under an identical pipeline, a trained localiser improves temporal IoU by only about 0.04, bounding the cost of forgoing supervision. Evaluated across three frozen detectors under one decoder whose constants are selected on a held-out calibration split, and with a controlled analysis attributing the residual false-alarm rate to a backbone domain gap rather than to the decoder, this provides the first zero-shot baseline and a reusable benchmark for TDLMC.
• Abstract（参考訳）: ボイスクローニング詐欺は外科的注射にますます依存しており、本物の会話では1つか2つの文だけが合成音声に置き換えられる。 発話レベルのディープフェイク検出器は、クリップ毎に1つの実・実のラベルを出力し、合成音声がどこにあるかを報告できない。 我々は、これをTDLMC(Temporal Deepfake Localisation in Multi-Speaker Conversations)として定式化し、ファイルが両方のクラスを含むとエラー率とmin-DCFが悪くなることを示す。 我々の貢献は、凍結した2値検出器をラップし、再トレーニングなしでセグメントレベルの出力を追加する、トレーニングフリーの5段階パイプラインであり、ノイズの多いウィンドウスコアをコヒーレント間隔に変換するために、2閾値ヒステリシス有限状態マシンデコーダを用いている。 ASVspoof 5による180件の複数話者会話では, 時間的交叉対結合率0.90, 時間的検出率0.95, およびMS-DCF0.26を強いバックボーンで達成し, 実際の発話に対する誤アラームレートは6%以下であり, 真のマルチ話者対話(AMI)では2%以下である。 同一のパイプラインの下では、訓練されたローカライザが時間IoUを約0.04改善し、監督を継続するコストを抑える。 ホールドアウトキャリブレーション分割で定数が選択される1つのデコーダの下の3つの冷凍検出器で評価され、デコーダよりも背骨ドメインギャップに残留する偽アラームレートが寄与する制御解析により、TDLMCの最初のゼロショットベースラインと再利用可能なベンチマークが提供される。

関連論文リスト

• TRADE: Transducer-Augmented Decoder for Speech LLM [52.69726809996728]
  音声大言語モデル(Speech LLM)は、ストリーミング推論の原理的なメカニズムを欠いている。 音声エンコーダを共有するトランスデューサブランチでマルチモーダルLLMを増強するTRADE TRansducer-Augmented DEcoderを提案する。 3つの設計上の選択により、システムは正確で、ストリーミング可能で、長い形にすることができる。
  論文  参考訳（メタデータ） (2026-06-07T07:15:34Z)
• Audio Deepfake Detection with Half-Truth Localisation Using Cross-Attentive Feature Fusion [0.0]
  CAFNetは3次分類(リアル、フルフェイク、ハーフトゥルース)を行い、合成された領域の時間的境界を1つの前方通過で遅らせる。 2値検出では、96.76%の精度と3.20%の誤差率(EER)を達成し、500倍以上のパラメータで微調整されたXLS-R 300M(78.31%)とAST 87M(93.03%)を上回っている。
  論文  参考訳（メタデータ） (2026-05-28T07:47:22Z)
• Bi-Predictability: A Real-Time Signal for Monitoring LLM Interaction Integrity [0.0]
  両予測可能性(P)を用いて,マルチターンインタラクションの整合性を継続的に監視できることが示される。 Information Digital Twin (IDT) は、コンテキスト、応答、次のプロンプトループを二次推論や埋め込みなしでPを推定する軽量アーキテクチャである。
  論文  参考訳（メタデータ） (2026-03-18T18:10:37Z)
• 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)
• BA-SOT: Boundary-Aware Serialized Output Training for Multi-Talker ASR [54.23941663326509]
  話者の頻繁な変化は、話者の変化を予測するのを難しくする。 境界対応型直列出力訓練(BA-SOT)を提案する。 オリジナルのSOTと比較して、BA-SOTはCER/UD-CERを5.1%/14.0%削減している。
  論文  参考訳（メタデータ） (2023-05-23T06:08:13Z)
• Deep Spectro-temporal Artifacts for Detecting Synthesized Speech [57.42110898920759]
  本稿では,トラック1(低品質フェイク音声検出)とトラック2(部分フェイク音声検出)の総合評価を行う。 本稿では, 原時間信号, スペクトル特性, 深層埋没特性を用いて, 分光時相アーティファクトを検出した。 我々はそれぞれ1番線と2番線で4位と5位にランクインした。
  論文  参考訳（メタデータ） (2022-10-11T08:31:30Z)
• Streaming Transformer for Hardware Efficient Voice Trigger Detection and False Trigger Mitigation [9.691823786336716]
  本稿では,2段階音声トリガ検出(vtd)とfalse trigger mitigation(ftm)タスクのための,統合的でハードウェア効率のよいアーキテクチャを提案する。 従来のFTMシステムは、デバイス上で得られる計算コストの高い音声認識格子に依存している。 本稿では,VTDタスクとFTMタスクの両方を実行するために,入ってくる音声チャンクを段階的に処理し,音声コンテキストを維持するストリーミングトランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-05-14T00:41:42Z)
• Audio-visual Multi-channel Recognition of Overlapped Speech [79.21950701506732]
  本稿では,音声とマルチチャンネルの重なり合う音声認識システムについて述べる。 実験により,提案したマルチチャネルAVSRシステムは,音声のみのASRシステムを最大6.81% (26.83%) ,22.22% (56.87%) の絶対単語誤り率 (WER) で比較した。
  論文  参考訳（メタデータ） (2020-05-18T10:31:19Z)
• End-to-End Automatic Speech Recognition Integrated With CTC-Based Voice Activity Detection [48.80449801938696]
  本稿では,音声活動検出機能とエンドツーエンドの自動音声認識を統合する。 我々は,コネクショニストの時間的分類(CTC)と,同期/アテンションの拡張に焦点を当てた。 簡単なしきい値を用いた音声区間検出のためのキューとしてラベルを用いる。
  論文  参考訳（メタデータ） (2020-02-03T03:36:34Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。