論文の概要: The Machines Are Calling: Measuring Automated and Synthetic Voices in Unwanted Inbound Calls
- arxiv url: http://arxiv.org/abs/2609.11137v1
- Date: Thu, 10 Sep 2026 06:28:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.233506
- Title: The Machines Are Calling: Measuring Automated and Synthetic Voices in Unwanted Inbound Calls
- Title（参考訳）: 自動音声と合成音声を計測する機械
- Abstract要約: 対話型音声ハネポット(実際のアメリカ数字の言語モデルペルソナ)は66日間で10,987回の通話を記録した。
通常の日に7,233件の電話が挨拶され、13.8%が別の電話で録音され、13.1%が新しい音声で検出ラベルが合成された。
さらに9.9%は、私たちの挨拶後に話したことのない発信者、54.2%は新鮮な音声で、検出器ラベルは人間であり、9.0%は得点できなかった。
- 参考スコア（独自算出の注目度）: 8.750029157624073
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In February 2024 the U.S. Federal Communications Commission (FCC) placed AI-generated voices under the Telephone Consumer Protection Act (TCPA). Yet no peer-reviewed measurement says how much unwanted call traffic is placed by a machine, or how much of that machine speech is synthesized rather than played from a recording. We report both with a disclosed pipeline. An interactive voice honeypot (language-model personas on real U.S. numbers, the caller recorded on its own track) recorded 10,987 calls over 66 days; 11 days on which our stack answered silently are set aside. Three instruments read each opening: an audio fingerprint that finds the same recording played on other calls, a commercial synthetic-speech detector on the caller's first ten seconds, and blinded listeners who check what it flags. Of the 7,233 calls our persona greeted on normal days, 13.8% open with a recording we also heard on another call, and 13.1% with fresh audio the detector labels synthetic. A further 9.9% open with a caller who never spoke after our greeting, 54.2% with fresh audio the detector labels human, and 9.0% could not be scored. Machine-voiced openings are therefore at least 26.9%, a further tenth of calls are silent connections we read as machine-placed, and replays of a recording make up 45% of the detector's own rate (29.3% of 6,192 scored openings). The same waveform played on two calls lands on opposite sides of the detector's threshold 13.6% of the time, and eleven listeners confirm 54.4% of what it flags. Synthetic openings concentrate in lead-generation spam (33.8%), not fraud (21.1%); 0.44% disclose automation. Prevalence tracks how long a bait number has circulated (59% against 19% in the same weeks): seeding history, not calendar time, explains the trend. Campaigns outlast their numbers: one recorded compliance notice opens calls in six campaigns, and one synthetic voice serves nine.
- Abstract（参考訳）: 2024年2月、連邦通信委員会(FCC)は、電話消費者保護法(TCPA)に基づくAI生成音声を提出した。
しかし、ピアレビューされた測定では、機械によってどれだけの不要な通話トラフィックが配置されているか、記録から再生されるよりもその機械の音声がどれだけ合成されているかは示されていない。
どちらも公開パイプラインで報告します。
66日間で10,987件の通話を録音した対話型ボイス・ハニーポット(実際の米国数字の言語モデルペルソナ、自身のトラックで録音された発信者)。
3つの機器がそれぞれのオープニングを読み、他のコールで同じ録音を再生するオーディオ指紋、発信者の最初の10秒間の商業的な合成音声検出装置、そしてそのフラグをチェックする盲目のリスナーだ。
通常の日に7,233件の電話が挨拶され、13.8%が別の電話で録音され、13.1%が新しい音声で検出ラベルが合成された。
さらに9.9%は、私たちの挨拶後に話したことのない発信者、54.2%は新鮮な音声で、検出器ラベルは人間であり、9.0%は得点できなかった。
したがって、機械発呼口は少なくとも26.9%であり、さらに10分の1の呼び出しは、我々が機械発呼として読み取ったサイレント接続であり、記録の再生は検出器の自己レートの45%を占める(6,192点のオープニングの29.3%)。
同じ波形が検出器のしきい値の13.6%の反対側の2つのコールランドで演奏され、11人のリスナーがフラグの54.4%を確認した。
合成開口部は前世代のスパム(33.8%)に集中しており、詐欺ではない(21.1%)。
頻度は、餌の数がどれだけ長いか(同じ週で59%対19%)を追跡する。
1つの記録されたコンプライアンス通知が6つのキャンペーンで通話を開始し、1つの合成音声が9つのサービスを提供している。
関連論文リスト
- Auditing Generative Audio Calls for Known-Task Audio-LLM Evaluation [8.345705067210861]
既知のクローズドセットタスクでは、音響的エビデンスへのアクセスと、生成的オーディオモデルを呼び出す必要性が重要である。
我々はこの区別を制御された呼判断問題として評価する。
既知のタスクエンドポイントのクレームに対して、関連する量は、転写とエンコーダの証拠が既に使われている後の生成呼び出しの限界値である。
論文 参考訳（メタデータ） (2026-08-28T01:33:47Z) - Anatomy of a Scam Call: What 10,000 real scam and spam calls reveal about how phone scammers operate [6.015147919395612]
我々は10,211件のインバウンド詐欺とスパム通話の完全コーパスを分析した。
我々は、捕食的だが合法的なリード生成の大きな流れから、機密情報を誘惑するアウトライト詐欺を分離する。
営業時間(週末日より平日あたり6.6倍)
論文 参考訳（メタデータ） (2026-08-25T06:41:12Z) - Tracking the Trend in How Speech Synthesizers Deceive People [0.15635627702544694]
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。
論文 参考訳（メタデータ） (2026-08-20T12:27:37Z) - Voice Memory for Agentic Speech Recognition [66.69623133635868]
エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。
同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。
10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
論文 参考訳（メタデータ） (2026-07-29T02:42:56Z) - Real-Time Voice AI Hears but Does Not Listen [28.50011328763975]
我々は,4つの主要な実運用音声システムを評価する。
4つのシステムはすべて、声ではなく言葉に作用する。
我々は、音声AIの知覚と行動の分離を、感情的な知能ギャップと表現する。
論文 参考訳（メタデータ） (2026-06-24T17:55:38Z) - Evaluating Commercial AI Chatbots as News Intermediaries [85.32040752972836]
ベストシステムは、数時間前に報告されたイベントに関する質問に対して、90%以上の多重選択精度を達成する。
すべてのモデルはヒンディー語で最小の精度を達成する。
原因ではなく検索は エラーの70%以上を 引き起こします
論文 参考訳（メタデータ） (2026-05-21T17:42:07Z) - Real-Time Voicemail Detection in Telephony Audio Using Temporal Speech Activity Features [1.066048003460524]
本稿では,事前学習したニューラル音声活動検出器の音声活動パターンから15の時間的特徴を抽出する軽量なアプローチを提案する。
2つの評価セットで合計764の電話録音を行い、96.1%の精度で合成する。
論文 参考訳（メタデータ） (2026-04-02T17:43:24Z) - StreamVoiceAnon+: Emotion-Preserving Streaming Speaker Anonymization via Frame-Level Acoustic Distillation [56.49717639074325]
ストリーミング話者匿名化(SA)における感情コンテンツ保存の課題に対処する。
音響トークン隠蔽状態におけるフレームレベルの感情蒸留と同一話者からのニュートラル感情発話対を用いた教師付き微調整を提案する。
VoicePrivacy 2024プロトコルでは、49.2%のUAR(感情保存)と5.77%のWER(インテリジェンス)を実現している。
論文 参考訳（メタデータ） (2026-03-06T09:30:20Z) - Characterizing Robocalls with Multiple Vantage Points [50.423738777985314]
苦情や通話量はまだ高いものの、無言通話は緩やかに減少傾向にある。
ロボコールがSTIR/SHAKENに適応していることがわかりました。
以上の結果から,電話スパムの特徴化と防止に向けた今後の取り組みの最も有望な方向性が浮かび上がっている。
論文 参考訳（メタデータ） (2024-10-22T18:54:12Z) - Asynchronous Voice Anonymization Using Adversarial Perturbation On Speaker Embedding [46.25816642820348]
我々は、人間の知覚を維持しながら、音声認識に対して音声属性を変更することに重点を置いている。
話者ゆがみ機構を組み込んだ音声生成フレームワークを用いて匿名化音声を生成する。
LibriSpeechデータセットで行った実験では、話者の属性は、その人の知覚が処理された発話の60.71%で保存されていることが判明した。
論文 参考訳（メタデータ） (2024-06-12T13:33:24Z) - WavMark: Watermarking for Audio Generation [70.65175179548208]
本稿では,わずか1秒の音声スニペット内に最大32ビットの透かしを符号化する,革新的な音声透かしフレームワークを提案する。
透かしは人間の感覚に影響されず、様々な攻撃に対して強い弾力性を示す。
合成音声の効果的な識別子として機能し、オーディオ著作権保護の幅広い応用の可能性を秘めている。
論文 参考訳（メタデータ） (2023-08-24T13:17:35Z) - SuperVoice: Text-Independent Speaker Verification Using Ultrasound
Energy in Human Speech [10.354590276508283]
ボイスアクティベートシステムは、さまざまなデスクトップ、モバイル、IoT(Internet-of-Things)デバイスに統合されている。
既存の話者検証技術は、音声コマンドの可聴周波数範囲から抽出した分光学的特徴により、個々の話者を識別する。
本稿では,特徴融合機構を備えた2ストリームアーキテクチャを用いた話者検証システム SUPERVOICE を提案する。
論文 参考訳（メタデータ） (2022-05-28T18:00:50Z)
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。