論文の概要: ScrambleMark: Zero-Query Watermark-Agnostic Black-Box Evasion of Modern Speech Watermarking

• arxiv url: http://arxiv.org/abs/2611.04122v1
• Date: Tue, 03 Nov 2026 00:55:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 01:50:43.308648
• Title: ScrambleMark: Zero-Query Watermark-Agnostic Black-Box Evasion of Modern Speech Watermarking
• Title（参考訳）: ScrambleMark: ゼロクエリ透かし-現代音声透かしのブラックボックス普及
• Abstract要約: 音声透かしを回避しても消去は不要であることを示す。 検出は組込みパターンの構造的な一貫性に依存します。 本研究では,ゼロクエリで透かしに依存しないブラックボックス攻撃であるScrambleMarkを提案する。
• 参考スコア（独自算出の注目度）: 12.525585089884006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Speech watermarking is becoming a key defense for digital copyright and content authentication. Existing attacks treat evasion as a removal problem: they erase the watermark, relying on detector access or on speech data that is hard to collect, such as paired clean-watermarked or clean target speaker speech. Commercial platforms are moving to close off these assumptions. TrustedAudio, for instance, restricts detection to authenticated users and denies meaningful detection feedback to unauthorized parties. Adversaries thus cannot tell whether a sample is watermarked or which watermark it carries, nor reliably remove it without degrading speech quality. In this work, we show that evading a speech watermark does not require erasing it: detection relies on the structural consistency of the embedded pattern, and disrupting this consistency is enough to defeat it. Building on this observation, we identify harmonic structure as an effective attack surface, as perturbing it breaks watermark consistency while preserving perceptual quality. We therefore propose ScrambleMark, a zero-query, watermark-agnostic, black-box attack that evades detection through harmonic scrambling. ScrambleMark combines a deterministic engine for discovering transferable harmonic perturbations with a generative model that learns randomized scrambling patterns, avoiding reliance on fixed attack rules. Across three commercial platforms (Google SynthID, Resemble AI, and TrustedAudio), ScrambleMark is the only attack to both evade detection and keep speech natural, achieving nearly 97% evasion and a 4.2/5 human rating, far above the 1.1 to 1.7 of prior attacks. Beyond evasion, ScrambleMark withstands adaptive recovery designed to reverse it, evidence that structural evasion is hard to mitigate in practice.
• Abstract（参考訳）: 音声透かしは、デジタル著作権とコンテンツ認証にとって重要な防御手段になりつつある。 既存の攻撃は、回避を除去問題として扱う:彼らは透かしを消去し、検出器へのアクセスや、ペアの清潔な透かしやクリーンなターゲット話者のスピーチのような収集が難しい音声データに依存する。 商用プラットフォームは、これらの前提を締めくくるために動き始めている。 たとえばTrustedAudioは、認証されたユーザーに対する検出を制限し、無許可の当事者に対する有意義な検出フィードバックを否定している。 したがって、相手は、サンプルがウォーターマークされているか、どのウォーターマークを持っているかを知ることができず、音声品質を劣化させることなく確実に除去することができる。 本研究は,音声透かしの回避が不要であることを示す。検出は組込みパターンの構造的整合性に依存し,この整合性を損なうには十分である。 この観測に基づいて, 音波構造を効果的な攻撃面として同定し, 知覚品質を維持しながら透かしの一貫性を損なう。 そこで本研究では,ゼロクエリで透かしに依存しないブラックボックス攻撃であるScrambleMarkを提案する。 ScrambleMarkは、転送可能な高調波摂動を発見するための決定論的エンジンと、ランダム化されたスクランブルパターンを学習し、固定攻撃規則への依存を避ける生成モデルを組み合わせる。 3つの商用プラットフォーム(Google SynthID、Resemble AI、TrustedAudio)で、ScrambleMarkは、検出を回避し、音声を自然に保つための唯一の攻撃であり、前回の攻撃の1.1から1.7よりもはるかに多い、約97%の回避と4.2/5の人間格付けを達成した。 回避以外にも、ScrambleMarkはそれを逆転するように設計された適応的な回復に耐えており、構造的回避が実際は緩和することが難しいという証拠である。

関連論文リスト

• DeMark: A Query-Free Black-Box Attack for Quality-Preserving Audio Watermark Removal [8.455808207355753]
  品質保存型音声透かし除去のためのクエリフリーブラックボックスアタックであるDeMarkを提案する。 私たちの重要な洞察は、透かしの埋め込みは知覚的に隠されているものの、時間周波数領域に微妙な非音声アーティファクトを導入することができるということです。 DeMarkは、既存の適応攻撃よりも高い知覚品質を維持しながら、平均攻撃成功率0.92と0.96を達成する。
  論文  参考訳（メタデータ） (2026-09-27T23:03:19Z)
• The Watermark Shortcut: How Provenance Marking Sabotages Audio Deepfake Detection [5.288260916272508]
  プロヴァンス・ウォーターマーキングは、合成音声のセーフガードとして扱われることが多い。 合成音声が透かしであり、人間の発話がそうでないとき、ウォーターマークにラッチを付けて訓練された検出器は、刺激的な「マークフェイク」ショートカットである。 両クラスにおける透かしによる再トレーニングは,それと相関し,クリーンな振る舞いを復元することを示す。
  論文  参考訳（メタデータ） (2026-06-22T13:42:31Z)
• Hidden in Plain Tokens: Simply Robust, Gradient-Free Watermark for Synthetic Audio [58.612001688217056]
  自己回帰モデルに対する推論時透かしは、離散化の不整合による連続的なモダリティには適さない。 合成音声の強力で堅牢な透かしのためのエレガントな解法を提案する。
  論文  参考訳（メタデータ） (2026-05-25T15:43:20Z)
• Character-Level Perturbations Disrupt LLM Watermarks [64.60090923837701]
  我々は,Large Language Model (LLM)ウォーターマーキングのためのシステムモデルを定式化する。 我々は、透かし検出器への限られたアクセスに制約された2つの現実的な脅威モデルの特徴付けを行う。 我々は,最も制限的な脅威モデルの下で,キャラクタレベルの摂動が透かし除去に著しく有効であることを実証した。 現実的な制約下での透かし除去における文字レベルの摂動の優位性と遺伝的アルゴリズム(GA)の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2025-09-11T02:50:07Z)
• When There Is No Decoder: Removing Watermarks from Stable Diffusion Models in a No-box Setting [37.85082375268253]
  本研究では,透かしの埋め込みをテキスト・ツー・イメージ生成と組み合わせたモデル固有透かしの堅牢性について検討する。 我々は、エッジ予測ベースの3つの攻撃戦略、ボックスのぼかし、ノーボックス設定で微調整ベースの攻撃を導入する。 我々の最高の攻撃は、透かし検出精度を約47.92%に低下させる。
  論文  参考訳（メタデータ） (2025-07-04T15:22:20Z)
• Defending LLM Watermarking Against Spoofing Attacks with Contrastive Representation Learning [34.76886510334969]
  ピギーバック攻撃は、元々の透かしを保ったままのヘイトスピーチに変換する透かしテキストの意味を悪意的に変更することができる。 そこで本稿では,元来の意味を保ちつつ,与えられた目標テキストに透かしを埋め込む意味認識型透かしアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-09T04:38:17Z)
• Towards Robust Model Watermark via Reducing Parametric Vulnerability [57.66709830576457]
  バックドアベースのオーナシップ検証が最近人気となり,モデルオーナがモデルをウォーターマークすることが可能になった。 本研究では,これらの透かし除去モデルを発見し,それらの透かし挙動を復元するミニマックス定式化を提案する。 本手法は,パラメトリックな変化と多数のウォーターマーク除去攻撃に対するモデル透かしの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2023-09-09T12:46:08Z)
• Invisible Image Watermarks Are Provably Removable Using Generative AI [47.25747266531665]
  Invisibleの透かしは、所有者によってのみ検出可能な隠されたメッセージを埋め込むことで、画像の著作権を保護する。 我々は、これらの見えない透かしを取り除くために、再生攻撃のファミリーを提案する。 提案手法は,まず画像にランダムノイズを加えて透かしを破壊し,画像を再構成する。
  論文  参考訳（メタデータ） (2023-06-02T23:29:28Z)
• Fine-tuning Is Not Enough: A Simple yet Effective Watermark Removal Attack for DNN Models [72.9364216776529]
  我々は異なる視点から新しい透かし除去攻撃を提案する。 我々は、知覚不可能なパターン埋め込みと空間レベルの変換を組み合わせることで、単純だが強力な変換アルゴリズムを設計する。 我々の攻撃は、非常に高い成功率で最先端の透かしソリューションを回避できる。
  論文  参考訳（メタデータ） (2020-09-18T09:14:54Z)

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。