論文の概要: SEAR: Spoofing Evidence-Grounded Audio Reasoning Benchmark for Audio Language Models
- arxiv url: http://arxiv.org/abs/2609.39847v1
- Date: Wed, 30 Sep 2026 14:39:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.920441
- Title: SEAR: Spoofing Evidence-Grounded Audio Reasoning Benchmark for Audio Language Models
- Title（参考訳）: SEAR: 音声言語モデルのためのエビデンス付き音声推論ベンチマーク
- Abstract要約: オーディオディープフェイク検出(ADD)には、音声言語モデル(ALM)がますます使われている。
既存のベンチマークは、基礎となる音響的証拠を検証せずに、彼らの判断または合理的な妥当性を評価する。
本研究では, 冷凍ALMに制御音響ツールを装備したボナフィド系音響エビデンス剤(BAEA)を提案する。
- 参考スコア（独自算出の注目度）: 13.602926771132248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Audio language models (ALMs) are increasingly used for audio deepfake detection (ADD), yet existing benchmarks assess their verdicts or rationale plausibility without verifying the underlying acoustic evidence. To address this issue, we first introduce spoofing evidence-grounded audio reasoning (SEAR), a four-task AQA benchmark to evaluate ALM-based ADD through acoustic evidence identification and quantification, deepfake detection, and forensic rationale generation. We further propose a bona-fide-based acoustic evidence agent (BAEA), which equips a frozen ALM with controlled acoustic tools under \textsc{fixed} or \textsc{adaptive} evidence-acquisition policies. Experiments with six ALMs reveal a clear gap between plausible rationales and verifiable acoustic evidence reasoning, while BAEA-\textsc{Fixed} improves final verdicts and forensic rationales on both evaluation partitions. Controlled interventions further show that misleading evidence degrades both detection and grounding performance.
- Abstract（参考訳）: オーディオ言語モデル (ALM) は、オーディオディープフェイク検出 (ADD) にますます使われているが、既存のベンチマークでは、基礎となる音響的証拠を検証せずに、その検証または合理的な妥当性を評価する。
この問題に対処するために,まず,音響的エビデンス同定と定量化,ディープフェイク検出,および法科学的合理性生成を通じて,ALMに基づくADDを評価するための4タスクAQAベンチマークであるSEAR(Spoofing evidence-grounded audio reasoning)を導入する。
さらに, ボナファイドをベースとした音響エビデンスエージェント (BAEA) を提案し, 冷凍ALMに制御された音響ツールを, \textsc{fixed} や \textsc{adaptive} のエビデンス獲得ポリシーの下で装備する。
BAEA-\textsc{Fixed} は両評価分割の最終的な評定と法医学的合理性を改善している。
制御された介入は、誤解を招く証拠が検出と接地性能の両方を劣化させることを示している。
関連論文リスト
- CoLMbo-SV: A Grounded Language Model for Explainable Speaker Verification [54.830557377967274]
我々は,強い話者識別と構造的,音響的な比較報告を組み合わせた話者言語モデルであるtextbfCoLMbo-SVを提案する。
事前訓練された話者エンコーダを言語モデルに接続し、明示的な音響測定を提供することにより、CoLMbo-SVは、その報告で発声された証拠に対する検証を制限することなく、音声比較を検査できるようにする。
論文 参考訳（メタデータ） (2026-09-27T04:51:53Z) - Spooftral: Can Voxtral Audio-Language Model Detect Speech Spoofing? [0.8181983928344693]
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。
論文 参考訳（メタデータ） (2026-09-23T18:51:29Z) - MADBench: A Benchmark for Modality-Aware Audio Deepfake Detection [18.1593708805924]
音声と環境音を異なる音響成分として扱う最初のベンチマークであるMADBenchを紹介する。
我々は、統一されたプロトコルの下で、最先端検出器とマルチモーダルな大規模言語モデルをベンチマークする。
実験の結果,環境音声操作は汎用エンコーダを用いた合成音声よりも検出しやすいことがわかった。
論文 参考訳（メタデータ） (2026-08-10T13:27:09Z) - EG-VQA: Benchmarking Verifiable Video Question Answering with Grounded Temporal Evidence [48.314554375516366]
本稿では,Evidence-Grounded Video Question Answering Benchmark (EG-VQA)を紹介する。
EG-VQAは2,067本の動画と11,838本のQAペアで構成されている。
強力なプロプライエタリモデルでさえ、予測を正確に下ろすのに苦労しています。
我々は,明示的な監督によって訓練されたエビデンス基底推論モデルEG-Reasonerを提案する。
論文 参考訳（メタデータ） (2026-06-23T16:49:28Z) - EChO-Agent: Evidence Chain Orchestration Agent for Audio Reasoning [57.032533935143924]
LALMは音声の疑問関連部分に焦点を合わせず、明確でチェック可能な推論プロセスを提供する。
本稿では,複雑なオーディオQAを計画,ツールの実行,エビデンス統合,回答検証ワークフローとして再構成するモジュール型エージェントフレームワークEChO-Agentを提案する。
論文 参考訳（メタデータ） (2026-06-13T06:05:59Z) - What Do Deepfake Speech Detectors Actually Hear? [0.16419687521433918]
ディープフェイク音声検出装置は、なぜオーディオサンプルがフラグ付けされたのか、証拠がどこにあるのか、何の手がかりが決定を導くのかを説明せずに、単一のスコアを出力することが多い。
本稿では,時間とともに決定証拠をローカライズするために,時間順の自己教師付き表現に積分勾配を用いた音声ネイティブな説明可能性パイプラインを提案する。
提案手法は, ASVspoof 5上の3つのWavLM検出器(AASIST, CA-MHFA, SLS)に適用し, 最も重要な手がかりを意味づけるために, 最大属性領域を手動で注釈付けする。
論文 参考訳（メタデータ） (2026-06-09T14:21:45Z) - AT-ADD: All-Type Audio Deepfake Detection Challenge Evaluation Plan [64.09595490689874]
ACMマルチメディア2026におけるオールタイプオーディオディープフェイク検出(AT-ADD)グランドチャレンジを提案する。
AT-ADDは、堅牢で一般化可能なオーディオ法医学技術の開発を加速することを目的としている。
論文 参考訳（メタデータ） (2026-04-09T12:38:19Z) - Towards Explicit Acoustic Evidence Perception in Audio LLMs for Speech Deepfake Detection [23.695892348165497]
音声ディープフェイク検出(SDD)は、与えられた音声信号が本物か合成的に生成されたかを特定することに焦点を当てる。
既存の音声大言語モデル(LLM)ベースの手法は、しばしば意味論的に相関した手がかりに偏っている。
聴覚知覚強調音声大言語モデル(SDD-APALLM)を用いたSDDについて紹介する。
論文 参考訳（メタデータ） (2026-01-30T15:16:43Z) - ALLM4ADD: Unlocking the Capabilities of Audio Large Language Models for Audio Deepfake Detection [57.29614630309265]
オーディオディープフェイク検出(ADD)は、高忠実度音声生成モデルの台頭と誤用の可能性により、ますます重要になっている。
ALLM4ADD, ALLM-driven framework for ADDを提案する。具体的には, ADDタスクを音声質問応答問題として再構成し, モデルに「この音声は偽物か本物か?」という疑問を提起する。
提案手法は,特にデータスカースシナリオにおいて,偽音声検出において優れた性能が得られることを示す実験を行った。
論文 参考訳（メタデータ） (2025-05-16T10:10:03Z) - 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)
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。