两篇最新的arXiv论文探讨了音频深度伪造检测的挑战，特别是在音频经过保留内容但改变质量的转换时。第一篇论文提出，当前将所有处理过的音频视为欺骗的检测方法是不够的。它提出了一种更细致的方法，区分源真实性和处理状态，并指出检测器可以识别处理过的音频，但难以区分处理过的真实语音和欺骗语音。第二篇论文评估了现有音频深度伪造检测模型在噪声、修改和压缩等真实世界损坏下的鲁棒性。研究发现，虽然模型对噪声普遍具有鲁棒性，但在音频修改和压缩方面表现不佳，其中语音基础模型比传统深度学习模型表现更好。 AI
影响 音频深度伪造检测的进步对于打击人工智能生成语音的滥用至关重要，研究重点是针对真实世界损坏的鲁棒性和细致的检测方法。
排序理由 两篇发表在arXiv上的学术论文，讨论了音频深度伪造检测的挑战。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2603.14033v2 Announce Type: replace-cross Abstract: Audio anti-spoofing systems are typically trained to assign one authenticity label to an entire speech utterance. This formulation becomes under-specified for transformations where the underlying speaker identity and lingu…
arXiv:2503.17577v2 Announce Type: replace-cross Abstract: Deepfakes have emerged as a widespread and rapidly escalating concern in generative AI, spanning images, audio, and videos. Among these, audio deepfakes are particularly alarming due to the growing accessibility of high-qu…