論文の概要: Spooftral: Can Voxtral Audio-Language Model Detect Speech Spoofing?

• arxiv url: http://arxiv.org/abs/2609.28713v1
• Date: Wed, 23 Sep 2026 18:51:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.509921
• Title: Spooftral: Can Voxtral Audio-Language Model Detect Speech Spoofing?
• Title（参考訳）: Spooftral:Voxtral Audio-Language Modelは音声の発声を検出できるか?
• Abstract要約: 本研究では,スプーフィング検出のためのVoxtral Audio-Language Model (ALM) フレームワークについて検討した。 提案手法では, ラベル列の確率を用いて, ボナフィドおよびスプーフド音声の評価を行う。 ASVspoofデータベースの実験では、タスク固有の適応がなければ、LLM層は意味表現を強調する。
• 参考スコア（独自算出の注目度）: 0.8181983928344693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) countermeasures (CMs) have shown strong performance in recent years. However, they often show degraded performance while facing unseen spoofing attacks and mismatched conditions. This study examines the Voxtral audio-language model (ALM) framework for spoofing detection, as a step toward combining CM capabilities within the ALM framework. We analyze how Voxtral captures spoofing cues through audio-text processing and propose an instruction-guided approach that uses label-sequence likelihoods to evaluate bonafide and spoofed speech. Experiments on the ASVspoof databases show that without task-specific adaptation, the LLM layers emphasize semantic representations, reducing the separability of spoof-discriminative acoustic cues compared to the Whisper-based audio encoder. Consequently, spoofing-related information becomes less separable after language-model processing. We also applied lightweight adaptation using weight-decomposed low-rank adaptation (DoRA) to the Voxtral model and propose the Spooftral model, achieving an equal error rate (EER) of 4.25% on the ASVspoof5 evaluation set.
• Abstract（参考訳）: 近年,自己指導型学習(SSL)対策が盛んに行われている。 しかし、不審な攻撃や不一致の状況に直面しながら、しばしば劣化したパフォーマンスを示す。 本研究では,ALMフレームワーク内でCM機能を統合するためのステップとして,スプーフィング検出のためのVoxtral Audio-Language Model(ALM)フレームワークについて検討する。 本稿では,Voxtralが音声テキスト処理によってスプーフィングキューをどのように捉えているかを分析し,ラベル列の確率を用いてボナフィドとスプーフィング音声を評価する指導誘導手法を提案する。 ASVspoofデータベースの実験では、タスク固有の適応がなければ、LLM層は意味表現を強調し、Whisperベースのオーディオエンコーダと比較してスプーフ識別音響キューの分離性を低減する。 これにより、言語モデル処理後にスプーフィング関連情報が分離されにくくなる。 また、重み分解低ランク適応(DoRA)をVoxtralモデルに適用し、ASVspoof5評価セットで4.25%の誤差率(EER)を達成し、Spoftralモデルを提案する。

関連論文リスト

• Speaker-Invariant Representation Learning for Spoofing Detection via Gradient Reversal and A Variational Information Bottleneck [7.166778372225167]
  話者不変なスプーフィング検出のための教師学習フレームワークを提案する。 我々は、事前学習した話者認識教師を利用して、勾配反転層を介して生徒モデルを指導する。 本モデルでは,MHFAベースラインと比較してEERに対して25.7%の削減を実現している。
  論文  参考訳（メタデータ） (2026-06-07T15:31:00Z)
• Membership Inference Attacks against Large Audio Language Models [50.84901010528239]
  大規模音声言語モデル(LALM)のMIA評価について述べる。 テキスト,スペクトル,韻律的特徴に基づくマルチモーダルブラインドベースラインを用いて,一般的な音声データセットがほぼ完璧な列車/テスト分離性を示すことを示す。 以上の結果から, LALM検査の基準基準が確立された。
  論文  参考訳（メタデータ） (2026-03-30T12:45:28Z)
• What Counts as Real? Speech Restoration and Voice Quality Conversion Pose New Challenges to Deepfake Detection [22.710371114925763]
  音素修正音声変換と音声復元は, アウト・オブ・ディストリビューションとして扱われることを示す。 マルチクラス問題としてのアンチスプーフィングは、スプーフィング検出を保存しながら、良性シフトに対する堅牢性を向上する。
  論文  参考訳（メタデータ） (2026-03-14T17:15:31Z)
• SEE: Signal Embedding Energy for Quantifying Noise Interference in Large Audio Language Models [49.313324100819955]
  信号埋め込みエネルギー (Signal Embedding Energy, SEE) は、LALM入力に対する雑音強度の影響を定量化する手法である。 SEEはLALM性能と強い相関を示し,0.98。 本稿では,LALMにおけるノイズ定量化のための新しい指標を提案し,実環境におけるロバスト性向上のためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-01-12T08:57:55Z)
• FADEL: Uncertainty-aware Fake Audio Detection with Evidential Deep Learning [9.960675988638805]
  顕在学習を用いた偽音声検出(FADEL)という新しいフレームワークを提案する。 FADELはモデルの不確実性を予測に組み込んでおり、OODシナリオではより堅牢なパフォーマンスを実現している。 本研究では,異なるスプーフィングアルゴリズム間の平均不確かさと等誤差率(EER)の強い相関関係を解析し,不確かさ推定の有効性を示す。
  論文  参考訳（メタデータ） (2025-04-22T07:40:35Z)
• Toward Improving Synthetic Audio Spoofing Detection Robustness via Meta-Learning and Disentangled Training With Adversarial Examples [33.445126880876415]
  自動話者検証システムに到達させる代わりに、スプーフ攻撃をフィルタリングする信頼性と堅牢なスプーフ検出システムを提案する。 データ不均衡問題に対処するために重み付き加法的角縁損失が提案され、スプーフィング攻撃に対する一般化を改善するために異なるマージンが割り当てられている。 データ拡張戦略として、スプーフィング音声に知覚不能な摂動を加えて、敵の例にのみ対応する正規化統計が実行されることを保証するために、補助的なバッチ正規化を用いる。
  論文  参考訳（メタデータ） (2024-08-23T19:26:54Z)
• Large Language Models are Efficient Learners of Noise-Robust Speech Recognition [65.95847272465124]
  大規模言語モデル(LLM)の最近の進歩は、自動音声認識(ASR)のための生成誤り訂正(GER)を促進している。 本研究では,このベンチマークをノイズの多い条件に拡張し,GERのデノナイジングをLLMに教えることができるかを検討する。 最新のLLM実験では,単語誤り率を最大53.9%改善し,新たなブレークスルーを実現している。
  論文  参考訳（メタデータ） (2024-01-19T01:29:27Z)
• Voice Spoofing Countermeasures: Taxonomy, State-of-the-art, experimental analysis of generalizability, open challenges, and the way forward [2.393661358372807]
  本報告では,手作り特徴,ディープラーニング,エンドツーエンド,汎用スプーフィング対策ソリューションを用いたスプーフィング検出に関する文献のレビューを行う。 本稿では,これらの対策の有効性をいくつかのデータセットで報告し,コーパス間で評価する。
  論文  参考訳（メタデータ） (2022-10-02T03:53:37Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• Cross-domain Adaptation with Discrepancy Minimization for Text-independent Forensic Speaker Verification [61.54074498090374]
  本研究では,複数の音響環境下で収集したCRSS-Forensicsオーディオデータセットを紹介する。 我々は、VoxCelebデータを用いてCNNベースのネットワークを事前訓練し、次に、CRSS-Forensicsのクリーンな音声で高レベルのネットワーク層の一部を微調整するアプローチを示す。
  論文  参考訳（メタデータ） (2020-09-05T02:54:33Z)
• Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
  ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。 ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。 残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
  論文  参考訳（メタデータ） (2020-04-06T06:34:01Z)

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。