論文の概要: CRAF: Cross-View Residual-Aware Fusion for Deepfake Speech Detection

• arxiv url: http://arxiv.org/abs/2609.13842v1
• Date: Sat, 12 Sep 2026 09:56:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.578243
• Title: CRAF: Cross-View Residual-Aware Fusion for Deepfake Speech Detection
• Title（参考訳）: CRAF:ディープフェイク音声検出のための残像認識融合
• Abstract要約: 音声および音声モデルは、このような目に見えない攻撃に対する堅牢性を改善するための有望な方向を提供する。 本稿では,クロスビュー残像認識融合フレームワークCRAFを提案する。 我々は,Kim-Audio を用いた CRAF が EER の5.96%,minDCF の0.1192 を達成することを示す。
• 参考スコア（独自算出の注目度）: 5.977697197923706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in speech synthesis and voice conversion have made deepfake speech increasingly realistic, making generalization to unseen spoofing attacks a critical challenge. Pretrained speech and audio models offer a promising direction for improving robustness to such unseen attacks. Self-supervised learning (SSL) models capture fine-grained, low-level acoustic characteristics, whereas Auditory Large Language Models (ALLMs) provide higher-level contextual representations. These complementary views can provide useful cues for improving generalization to unseen attacks. However, direct fusion does not explicitly disentangle information shared across the two views from view-specific complementary information, limiting effective cross-view integration. To address this, we propose CRAF, a cross-view residual-aware fusion framework that uses ALLM-guided cross-view attention to enrich SSL representations and adopts ALLM as a high-level reference to separate ALLM-explainable information from complementary SSL residual information. The residual is selectively refined through adaptive gating and integrated through SSL-primary fusion. Experiments on ASVspoof 5 show that CRAF with Kimi-Audio achieves an EER of 5.96% and a minDCF of 0.1192, demonstrating robustness to unseen spoofing attacks.
• Abstract（参考訳）: 近年の音声合成と音声変換の進歩により、ディープフェイク音声はますます現実的になり、目に見えないスプーフ攻撃への一般化が重要な課題となっている。 事前訓練された音声および音声モデルは、このような目に見えない攻撃に対する堅牢性を改善するための有望な方向を提供する。 自己教師付き学習(SSL)モデルは細粒度で低レベルな音響特性を捉え、聴覚的大規模言語モデル(ALLM)は高レベルな文脈表現を提供する。 これらの補完的なビューは、目に見えない攻撃への一般化を改善するための有用な手がかりを提供することができる。 しかし、直接融合は、2つのビュー間で共有される情報をビュー固有の補完情報から明示的に切り離すことはなく、効果的なクロスビュー統合を制限している。 そこで本研究では, ALLM-guided cross-view attention を用いてSSL表現を充実させ, ALLMを相補的なSSL残差情報から, ALLM-説明可能な情報への高レベル参照として採用する CRAF を提案する。 残基は適応ゲーティングにより選択的に精製され、SSL-プライマリ融合によって統合される。 ASVspoof 5の実験では、キミ・アウディオのCRAFはEERが5.96%、minDCFが0.1192で、スプーフ攻撃の可能性を証明している。

関連論文リスト

• Listen to the Latents: Self-Correcting Speech Recognition in Large Audio Language Models Through Hidden-State Interactions [120.64235456332916]
  音声認識システムは、その意味的知識を活用するために、大規模言語モデル(LLM)を統合している。 我々は, 暖房適応型LLMベースASRモデルを改良し, 自己の適応型LLMを応用した。 本稿では,2つの観測を動機とした目標補正戦略であるハイブリッド検索を提案する。
  論文  参考訳（メタデータ） (2026-08-31T15:46:48Z)
• DAVE: A Decoupled Audio-Visual Enhancement Framework for Real-World Speech Separation [4.041253468990907]
  実世界の音声分離のための分離型音声視覚強調フレームワークであるDAVEについて述べる。 データ不足問題に対処するため,公開ミーティングコーパスから生成した219,411個の混合物を混合した大規模トレーニングコーパスであるDAVE-Corpusを構築した。 さらに,シーンルーティング,GANに基づくデノナイジング,大音量正規化を非参照パーティション内でのみ適用可能な,認証された選択的拡張チェーンを開発した。
  論文  参考訳（メタデータ） (2026-08-10T08:41:28Z)
• Listening Between the Lines: Joint Learning of ASR Embeddings and LLM-Augmented Linguistics for Dementia Detection [3.4155322317700585]
  音声分析による認知症の早期発見は、非侵襲的なスクリーニング代替手段を提供するが、音響的および言語的バイオマーカーの両方をキャプチャすることは依然として困難である。 本稿では,Whisperを多目的抽出に活用したマルチモーダルフレームワークを提案する。 アコースティックパスでは、アテンションを持つ時間ネットワークが、集合的可変長列を固定次元埋め込みにプーリングする。 言語経路において,語彙の多様性,構文的複雑性,意味的一貫性,談話パターンにまたがる解釈可能な特徴を抽出する大規模言語モデル(LLM)を提案する。
  論文  参考訳（メタデータ） (2026-06-26T08:21:31Z)
• Hijacking Large Audio-Language Models via Context-Agnostic and Imperceptible Auditory Prompt Injection [22.306688903148046]
  大規模な音声言語モデル(LALM)は、音声とテキストを密に統合することでインテリジェントな音声インタラクションをパワーアップする。 textitAudioHijackは,ハイジャックLALMに対して,文脈に依存しない,知覚不能な音声を生成するフレームワークである。 13種類のLALM実験では、6つのカテゴリーで一貫したハイジャックが行われた。
  論文  参考訳（メタデータ） (2026-04-16T04:22:11Z)
• ACT Now: Preempting LVLM Hallucinations via Adaptive Context Integration [71.21097024566285]
  LVLM(Large-Language Models)はしばしば深刻な幻覚に悩まされる。 既存の緩和戦略は、視覚的焦点を強化するか、強い先行を抑えるために、言語的、単一段階の状態に依存している。 本研究では,適応的な文脈情報の統合を通じて幻覚を緩和する学習自由推論介入手法であるAdaptive Context in VisionTegration (ACT)を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:49:50Z)
• Look Carefully: Adaptive Visual Reinforcements in Multimodal Large Language Models for Hallucination Mitigation [51.743225614196774]
  マルチモーダル大言語モデル (MLLM) は視覚言語推論において顕著な進歩を遂げている。 彼らは幻覚に弱いままであり、そこで生成されたコンテンツは視覚的証拠から逸脱する。 近年の視覚強調法では、復号時に視覚トークンを補強することでこの問題に対処しようとしている。 本稿では,MLLMのトレーニングフリーフレームワークであるAdaptive Visual Reinforcement (AIR)を提案する。
  論文  参考訳（メタデータ） (2026-02-27T14:18:51Z)
• Training-Free Intelligibility-Guided Observation Addition for Noisy ASR [57.74127683005929]
  本稿では,雑音環境下での音声認識を改善するために,インテリジェンス誘導観測加算法を提案する。 さまざまなSE-ASRの組み合わせとデータセットによる実験は、既存のOAベースラインよりも強い堅牢性と改善を示している。
  論文  参考訳（メタデータ） (2026-02-24T14:46:54Z)
• Two Views, One Truth: Spectral and Self-Supervised Features Fusion for Robust Speech Deepfake Detection [11.121265242990166]
  合成音声の最近の進歩は、音声のディープフェイクをますます現実的なものにし、重大なセキュリティリスクを生じさせている。 生波形の埋め込みやスペクトルに基づく特徴など、単一モードに依存する既存の検出方法は、非スプーフ障害に対して脆弱である。 自己教師付き学習(SSL)に基づく表現と手作りのスペクトル記述子を統合するハイブリッド融合フレームワークについて検討する。
  論文  参考訳（メタデータ） (2025-07-27T21:22:27Z)
• It's Never Too Late: Fusing Acoustic Information into Large Language Models for Automatic Speech Recognition [70.77292069313154]
  大規模言語モデル(LLM)は、自動音声認識(ASR)出力の上の生成誤り訂正(GER)に成功することができる。 本研究では,不確実性認識ダイナミックフュージョン (UADF) と呼ばれる新しい遅延融合解によって予測された転写を生成する前に,音響情報を注入することにより,そのような制限を克服することを目的とする。
  論文  参考訳（メタデータ） (2024-02-08T07:21:45Z)
• Exploring the Integration of Speech Separation and Recognition with Self-Supervised Learning Representation [83.36685075570232]
  本研究は,ASRフロントエンドとしての残響・雑音・残響シナリオにおける音声分離に関する洞察に富んだ研究である。 我々は,マルチチャネル分離法,マスクベースのビームフォーミング,複雑なスペクトルマッピング,およびASRバックエンドモデルで使用する最良の特徴について検討する。 TF-GridNetベースの複素スペクトルマッピングとWavLMベースのSSLRを併用することで、残響WHAMRテストセットにおいて2.5%のワードエラー率が得られる。
  論文  参考訳（メタデータ） (2023-07-23T05:39:39Z)
• The effectiveness of unsupervised subword modeling with autoregressive and cross-lingual phone-aware networks [36.24509775775634]
  自己監督学習と多言語知識伝達を組み合わせた2段階学習フレームワークを提案する。 Libri-lightおよびZeroSpeech 2017データベースで実施したABXサブワード識別性タスクの実験により、我々のアプローチは最先端の研究よりも競争力があるか優れていることが示された。
  論文  参考訳（メタデータ） (2020-12-17T12:33:49Z)

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。