一篇新发表在arXiv上的研究论文详细介绍了一个用于评估语音质量指标可攻击性的修正协议。该研究指出了现有测量方法的缺陷,例如将神经编解码器的扰动效应归因于攻击本身,以及依赖单一训练攻击者。使用提出的协议,研究人员发现四个已发布的预测器在可攻击性方面存在显著差异,其中NISQA最易受攻击,UTMOS最不容易。论文还考察了一个封闭的攻击-检测-修补循环,得出结论认为它提供的加固效果有限,并且不如随机扰动基线有效。 AI
影响 突出了语音质量指标的漏洞,可能影响更强大的音频处理和安全AI系统的开发。
排序理由 发表在arXiv上的研究论文,详细介绍了一个评估语音质量指标的新协议。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →