論文の概要: Tracing Decoder Artifacts for Compact Synthetic Speech Screening
- arxiv url: http://arxiv.org/abs/2609.32050v1
- Date: Fri, 25 Sep 2026 22:31:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 03:27:58.717499
- Title: Tracing Decoder Artifacts for Compact Synthetic Speech Screening
- Title（参考訳）: コンパクト音声スクリーニングのためのトラクションデコーダアーチファクト
- Abstract要約: 精度の高い検出器は、記録ごとに起動するのにコストがかかる大きな事前訓練されたモデルにますます依存している。
我々は、全ての入力を安価に処理し、不審な記録のみをフォワードして、より高価な分析を行う、コンパクトなフロントエンドスクリーンについて検討する。
7つの音声生成装置と2つの音声源をまたがって、提案した画面は、推定記憶量151の0.021%の誤差率を達成している。
- 参考スコア（独自算出の注目度）: 5.947523997571036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in speech synthesis and voice cloning have increased the need for reliable synthetic-speech detection, yet high-accuracy detectors increasingly rely on large pretrained models that are costly to invoke on every recording. Rather than replacing such detectors, we investigate a compact front-end screen that processes all inputs cheaply and forwards only suspicious recordings for more expensive analysis. To enable lightweight screening without a large learned encoder, we exploit spectral traces introduced by speech-generation operations. We analyze how learned upsampling and inverse short-time Fourier transform synthesis can produce predictable spectral artifacts and measure their presence directly in generated waveforms. Because the strength of these artifacts varies across generators, we combine decoder-guided spectral measurements with complementary descriptors of short-time spectral shape and temporal variation in a compact gradient-boosted tree. Across seven speech generators and two human-speech sources, the proposed screen achieves an equal error rate of 0.021\% with an estimated model storage of 151 KiB. When used as the first stage of a simulated cascade with a 1.15-billion-parameter detector, it reduces estimated detection energy by 84.4\% while operating at a 0.050\% synthetic-speech miss rate, demonstrating the potential of decoder-guided acoustic evidence for low-cost front-end screening.
- Abstract（参考訳）: 音声合成と音声のクローニングの最近の進歩は、信頼性の高い合成音声検出の必要性を増大させているが、高い精度の検出器は、あらゆる録音で実行するのにコストがかかる大規模な事前訓練モデルにますます依存している。
これらの検出器を置き換えるのではなく、全ての入力を安価に処理し、不審な記録のみを転送してより高価な分析を行う、コンパクトなフロントエンドスクリーンを調査する。
大規模な学習エンコーダを使わずに軽量なスクリーニングを実現するために,音声生成操作によって導入されたスペクトルトレースを利用する。
学習したアップサンプリングおよび逆ショートタイムフーリエ変換合成が、予測可能なスペクトルアーティファクトを生成し、それらの存在を生成波形で直接測定する方法について分析する。
これらのアーティファクトの強度は発生器によって異なるため、デコーダ誘導スペクトル測定と、短時間スペクトル形状と時間変動の相補的な記述器を組み合わせる。
7つの音声生成装置と2つの音声ソースに対して,推定値151KiBの誤差率を0.021\%とする。
1.15ビリオンパラメーター検出器を備えた模擬カスケードの第1段階として使用されると、推定検出エネルギーを84.4 %削減し、0.050 %の合成音声ミスレートで動作させ、デコーダ誘導音響による安価なフロントエンドスクリーニングの可能性を実証する。
関連論文リスト
- What Survives the Codec Shift: Pooled No-Vocals Residuals for Speech Deepfake Detection [20.521972703383643]
生成機構が変化すると、どの音響表現が識別情報を保持しているかは明らかでない。
適応ゲーティングにより,発話レベルにプールされた非ネイティブ表現をトークンレベルXLS-R特徴と統合するデュアルビュー検出器を提案する。
提案されたMN-Pは、EERを全体として54.2%削減し、未確認状態に対して60.9%削減する。
論文 参考訳（メタデータ） (2026-09-27T08:58:08Z) - Zero-Shot Temporal Localisation of Audio Deepfakes in Multi-Speaker Conversations [4.152774504513197]
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。
論文 参考訳（メタデータ） (2026-09-09T11:27:26Z) - Proteus: Automated Adversarial Robustness Testing for Audio Deepfake Detectors [4.575283847781534]
オーディオディープフェイク検出システムの自動ロバストネステストのための,Resemble AIで開発されたフレームワークであるProteusを紹介する。
Proteusは日々の音声変換のシーケンスを検索し、音声品質を維持しながら検出者を騙す組み合わせを見つける。
我々は,Proteusの連続的な展開から得られた知見を報告し,特定の増補鎖が検出精度を確実に反転させることができることを示した。
論文 参考訳（メタデータ） (2026-06-28T18:14:28Z) - Prosody-Guided Harmonic Attention for Phase-Coherent Neural Vocoding in the Complex Spectrum [1.3066182802188198]
韻律誘導型高調波アテンションを導入し、音声セグメント符号化を強化し、逆STFTによる波形合成のための複雑なスペクトル成分を直接予測する。
ベンチマークデータセットの実験では、HiFi-GANとAutoVocoderに対する一貫した利得が示されている: F0 RMSEは22%削減され、音声/無声エラーは18%減少し、MOSスコアは0.15改善された。
これらの結果から,韻律誘導された注意と直接複素スペクトルモデリングが組み合わさることで,より自然な,ピッチ精度,頑健な合成音声が得られることが示唆された。
論文 参考訳（メタデータ） (2026-01-20T20:53:24Z) - Proactive Detection of Voice Cloning with Localized Watermarking [50.13539630769929]
本稿では,AI生成音声の局所検出に特化して設計された,最初の音声透かし技術であるAudioSealを紹介する。
AudioSealは、ローカライゼーションロスと共同でトレーニングされたジェネレータ/検出器アーキテクチャを使用して、サンプルレベルまでローカライズされた透かし検出を可能にする。
AudioSealは、実生活のオーディオ操作に対する堅牢性と、自動的および人的評価指標に基づく非知覚性の観点から、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-01-30T18:56:22Z) - Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。
計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。
我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
論文 参考訳（メタデータ） (2023-06-09T07:02:43Z) - UnitY: Two-pass Direct Speech-to-speech Translation with Discrete Units [64.61596752343837]
本稿では,まずテキスト表現を生成し,離散音響単位を予測する2パス直接S2STアーキテクチャであるUnitYを提案する。
第1パスデコーダのサブワード予測によりモデル性能を向上させる。
提案手法は,第2パスのスペクトルを予測しても性能が向上することを示す。
論文 参考訳（メタデータ） (2022-12-15T18:58:28Z) - 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) - Raw Waveform Encoder with Multi-Scale Globally Attentive Locally
Recurrent Networks for End-to-End Speech Recognition [45.858039215825656]
本稿では,グローバルな注意的局所再帰(GALR)ネットワークを採用し,生波形を直接入力とする新しいエンコーダを提案する。
ベンチマークデータセットAISHELL-2と,5,000時間21,000時間の大規模マンダリン音声コーパスを用いて実験を行った。
論文 参考訳（メタデータ） (2021-06-08T12:12:33Z) - DiffSinger: Diffusion Acoustic Model for Singing Voice Synthesis [53.19363127760314]
DiffSingerは、音楽スコアで調整されたメログラムにノイズを反復的に変換するパラメータ化されたマルコフチェーンです。
中国の歌唱データセットで行った評価は、DiffSingerが最先端のSVSワークを顕著な差で上回っていることを示している。
論文 参考訳（メタデータ） (2021-05-06T05:21:42Z)
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。