論文の概要: Tokens Change, Structure Endures: Spectral Watermarking for Generated Speech
- arxiv url: http://arxiv.org/abs/2609.33774v1
- Date: Sun, 27 Sep 2026 17:13:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 16:48:57.311392
- Title: Tokens Change, Structure Endures: Spectral Watermarking for Generated Speech
- Title（参考訳）: Tokens Change, Structure Endures: Spectral Watermarking for Generated Speech
- Abstract要約: 省エネ型省エネ型透かしインジェネレーションを提案する。
再トークン化の下で観測されるトークン置換からグラフを構築し、ラプラシアンは互いに置換しそうなトークンに類似の値を割り当てる基底を与える。
KGWは8.3%、WMARは7.3%であるのに対し、ミミの8回連続再生を1%FPRで達成した。
また、他の3つの神経コーデック(77.3.0%)を通った後、最も高いTPRを持ち、KGWに近い音声品質のコストでTSモデルを一般化する。
- 参考スコア（独自算出の注目度）: 0.8526692938231933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Watermarking is a promising tool for establishing the provenance of AI-generated speech. While many neural audio watermarking methods rely on a separately trained watermark generator, token-level watermarking is a training-free alternative that operates directly during generation. Its main weakness is retokenization: decoding generated speech to a waveform and encoding it again can change token identities and erode the watermark. To make the watermark robust to these changes, we propose Redwing, REtokenization-Durable Watermarking IN Generation. It builds a graph from the token substitutions observed under retokenization, whose Laplacian yields a basis that assigns similar values to tokens likely to substitute for one another. Over this basis, embedding and detection functions are jointly optimized to preserve watermark signal through retokenization while limiting embedding distortion and detector variability on unwatermarked speech. On the Moshi full-duplex system, after eight consecutive passes of Mimi resynthesis, Redwing achieves 80.7% TPR at a calibrated 1% FPR, compared with 8.3% for KGW and at most 7.3% for WMAR. It also has the highest TPR after eight passes through three other neural codecs (77.5-93.0%), and the gains generalize to TTS models at a speech-quality cost close to that of KGW. These results show that retokenization is not merely a source of noise: its transition structure can be exploited as a design principle for robust token-level watermarking.
- Abstract（参考訳）: ウォーターマーキングは、AI生成音声の証明を確立するための有望なツールである。
多くのニューラルオーディオ透かし法は、個別に訓練された透かし生成器に依存しているが、トークンレベルの透かしは、世代間直接動作する訓練のない代替手段である。
生成した音声を波形に復号し、再度符号化することで、トークンのアイデンティティを変更し、透かしを消去することができる。
これらの変化に対して透かしを堅牢化するため, 省エネ型省エネ型透かしインジェネレーションを提案する。
再トークン化の下で観測されるトークン置換からグラフを構築し、ラプラシアンは互いに置換しそうなトークンに類似の値を割り当てる基底を与える。
この基礎において、埋め込みおよび検出機能は、非透かし音声における埋め込み歪みと検出変動を抑えつつ、再帰化により透かし信号を保存するために共同最適化される。
モシフルデュプレックス系では、8回のミミ再合成の後、ドリューイングはKGWが8.3%、WMARが7.3%と、校正された1%のFPRで80.7%のTPRを達成した。
また、他の3つのニューラルコーデック(77.5-93.0%)を通った後で最も高いTPRを持ち、KGWの音声品質に近い価格でTSモデルに一般化される。
これらの結果から、再トークン化は単なるノイズの源ではないことが示され、その遷移構造は堅牢なトークンレベルの透かしの設計原理として利用することができる。
関連論文リスト
- Chainwash: Multi-Step Rewriting Attacks on Diffusion Language Model Watermarks [0.0]
本稿では,透かしを施したテキストが1回ではなく数回書き直された場合に何が起こるかを考察する。
透かしは、基準値閾値で元の出力の87.9%で検出される。
5つの連鎖書き直しの後、検出は4.86%に低下し、もともと検出されたテキストの94.76%は、もはやフラグ付けされない。
論文 参考訳（メタデータ） (2026-05-06T23:00:26Z) - Watermarking Autoregressive Image Generation [4.335447827531541]
生成モデルのアウトプットを透かしは、その成果を追跡するための有望なアプローチとして現れている。
この設定に言語モデルウォーターマーキング手法を適用することで、このようなアプローチを初めて提示する。
実験により,理論的なp値を用いた確実かつ堅牢な透かし検出が可能となった。
論文 参考訳（メタデータ） (2025-06-19T14:25:51Z) - Training-Free Watermarking for Autoregressive Image Generation [24.86897985016275]
IndexMarkは自動回帰画像生成モデルのためのトレーニング不要な透かしフレームワークである。
IndexMarkは画像の品質と精度の点で最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-05-20T17:58:02Z) - Mark My Words: Analyzing and Evaluating Language Model Watermarks [8.025719866615333]
この研究は、画像やモデル透かしとは対照的に、出力透かし技術に焦点を当てている。
品質、サイズ(透かしを検出するのに必要となるトークンの数)、抵抗の改ざんという3つの主要な指標に注目します。
論文 参考訳（メタデータ） (2023-12-01T01:22:46Z) - Improving the Generation Quality of Watermarked Large Language Models
via Word Importance Scoring [81.62249424226084]
トークンレベルの透かしは、トークン確率分布を変更して生成されたテキストに透かしを挿入する。
この透かしアルゴリズムは、生成中のロジットを変化させ、劣化したテキストの品質につながる可能性がある。
We propose to improve the quality of texts generated by a watermarked language model by Watermarking with Importance Scoring (WIS)。
論文 参考訳（メタデータ） (2023-11-16T08:36:00Z) - Who Wrote this Code? Watermarking for Code Generation [53.24895162874416]
本稿では,機械生成テキストを検出するために,Entropy Thresholding (SWEET) を用いたSelective WatErmarkingを提案する。
実験の結果,SWEETはコード品質を著しく向上し,すべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2023-05-24T11:49:52Z) - A Watermark for Large Language Models [84.95327142027183]
本稿では,プロプライエタリな言語モデルのための透かしフレームワークを提案する。
透かしはテキストの品質に無視できない影響で埋め込むことができる。
言語モデルAPIやパラメータにアクセスすることなく、効率的なオープンソースアルゴリズムを使って検出することができる。
論文 参考訳（メタデータ） (2023-01-24T18:52:59Z)
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。