論文の概要: What Survives the Codec Shift: Pooled No-Vocals Residuals for Speech Deepfake Detection

• arxiv url: http://arxiv.org/abs/2609.33375v1
• Date: Sun, 27 Sep 2026 08:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:38:10.641256
• Title: What Survives the Codec Shift: Pooled No-Vocals Residuals for Speech Deepfake Detection
• Title（参考訳）: Codecシフトで生き残るもの:音声ディープフェイク検出のための非Vocals残量
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.521972703383643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The transition from vocoder-based to neural-codec speech synthesis makes generalization more difficult for speech deepfake detectors, particularly those relying on speech-oriented representations. It remains unclear which acoustic representations retain discriminative information when the generation mechanism changes. We therefore compare 12 acoustic representations using a shared low-capacity linear classifier to identify effective evidence under codec shift. The analysis shows that hierarchical XLS-R leads on the pooled test set, while pooled no-vocals residual statistics perform best on the unseen-codec condition, revealing complementary behavior across generation conditions. Building on this finding, we propose MN-P, a dual-view detector that integrates an utterance-level pooled no-vocals representation with token-level XLS-R features through adaptive gating. The proposed MN-P reduces EER by 54.2% overall and by 60.9% on the codec-unseen condition relative to the best-performing retrained state-of-the-art system, with consistent gains across different detector backends. These results indicate that pooled no-vocals residual statistics provide effective complementary evidence for cross-generation speech deepfake detection.
• Abstract（参考訳）: ボコーダに基づく音声合成からニューラルコーデック音声合成への移行により、音声ディープフェイク検出器、特に音声指向の表現に依存するものには一般化がより困難になる。 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。 そこで我々は,共有低容量線形分類器を用いて12個の音響表現を比較し,コーデックシフトによる有効証拠を同定した。 解析の結果、階層的XLS-Rはプール化テストセットに導かれるが、プール化されていない残差統計は未確認コーデック条件で最高の性能を示し、生成条件間で相補的な挙動を示す。 この発見に基づいて, 適応ゲーティングにより, 発話レベルプールドノーボーカル表現とトークンレベルXLS-R特徴を融合したデュアルビュー検出器MN-Pを提案する。 提案されたMN-Pは、EERを全体として54.2%減らし、コーデック未確認条件を60.9%減らした。 以上の結果から,プールド・ノー・ボーカル残差統計は,世代間音声深度検出に有効な補完的証拠となることが示唆された。

関連論文リスト

• REIMU: Efficient Heterogeneous Hierarchical Reasoning for SSL-Based Speech Deepfake Detection [6.6933354669653236]
  自己教師付き学習(SSL)は、かなり高度な音声深度検出を備えている。 本研究は、この課題に対する繰り返し階層的推論の実践的効果について検討する。
  論文  参考訳（メタデータ） (2026-08-01T20:32:46Z)
• Teffic-Audio: Tell Fact from Fiction [15.841023625898053]
  本報告では,包括的評価環境のための音声深度検出システムTeffic-Audioについて述べる。 Teffic-Audioは、Conformerベースの音声エンコーダ、マルチヘッド注意統計プール、バイナリ分類器からなる単純な検出アーキテクチャを採用している。 Teffic-Audioは14テストセットのSpeech-DF-Arenaで1.454%のプールEERを達成した。
  論文  参考訳（メタデータ） (2026-07-30T15:21:38Z)
• Explainable-by-Design Audio Deepfake Detection via Wiener-Hopf Linear Prediction [5.778452680069759]
  Wiener-Hopf線形予測に基づく音声ディープフェイク検出フレームワークを提案する。 この設計により、分類結果と信号の音響特性との間の直接的かつ透過的な接続が可能になる。 実験により, ファインチューニングは, 一般的な後処理劣化下での検出性能を効果的に回復することが示された。
  論文  参考訳（メタデータ） (2026-07-14T09:51:55Z)
• ANCHOR: Autoregressive Non-intrusive Chunk-Ordered Refinement for Joint Multi-Resolution Speech Quality Modeling [62.983372215479925]
  ストリーミングと生成システムは、部分的なオーディオから漸進的な推定を必要とする。 多分解能オートレタスクとしてインクリメンタルアセスメントを改良したANCHORを提案する。 2秒プレフィックスの48%のPLCMOSエラー削減を含む、部分入力下でのかなりの堅牢性を示す実験。
  論文  参考訳（メタデータ） (2026-06-08T22:46:30Z)
• Retrieval-Augmented Audio Deepfake Detection [27.13059118273849]
  そこで本研究では,類似のサンプルを用いて検体を増強する検索拡張検出フレームワークを提案する。 提案したRADフレームワークのベースライン法よりも優れた性能を示す実験を行った。
  論文  参考訳（メタデータ） (2024-04-22T05:46:40Z)
• Audio-visual End-to-end Multi-channel Speech Separation, Dereverberation and Recognition [52.11964238935099]
  本稿では,音声-視覚的多チャンネル音声分離,デバーベレーション,認識手法を提案する。 ビデオ入力は、マスクベースのMVDR音声分離、DNN-WPEまたはスペクトルマッピング(SpecM)ベースの音声残響フロントエンドで一貫して実証される。 オックスフォードLSS2データセットのシミュレーションや再生を用いて合成した重畳および残響音声データについて実験を行った。
  論文  参考訳（メタデータ） (2023-07-06T10:50:46Z)
• 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)
• Visualizing Classifier Adjacency Relations: A Case Study in Speaker Verification and Voice Anti-Spoofing [72.4445825335561]
  任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。 ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。 提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
  論文  参考訳（メタデータ） (2021-06-11T13:03:33Z)
• Improving Stability of LS-GANs for Audio and Speech Signals [70.15099665710336]
  このベクトル空間で計算された正規性からジェネレータ最適化の定式化への切り離しの符号化は、より包括的な分光図を作成するのに役立つことを示す。 本手法をベースラインGANと比較してモード崩壊の少ないトレーニングにおける安定性向上に有効であることを示す。
  論文  参考訳（メタデータ） (2020-08-12T17:41:25Z)
• 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)

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。