Nicolas Michael Müller
PulseAugur coverage of Nicolas Michael Müller — every cluster mentioning Nicolas Michael Müller across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
音频深度伪造检测面临来源标记的新挑战 · 已追踪 2 个来源
两篇新的研究论文探讨了检测音频深度伪造所面临的挑战，特别是在涉及来源标记时。第一篇论文 MADBench 引入了一个区分合成语音和环境音频的基准，揭示了环境音频操纵更易于检测，但当前的检测器在这两方面都失败了。第二篇论文《水印捷径》展示了如何为合成语音添加水印会无意中为检测器创造一个“捷径”，导致性能下降和对真实音频产生误报。这项研究强调了需要更鲁棒的检测方法来考虑不同的音频组件和来源信息。
-
新的深度伪造音频检测器 DETECT-3B-Omni 被证明对内容和人口统计学不敏感
研究人员开发了 DETECT-3B-Omni，这是一种对内容和说话者人口统计学不敏感的深度伪造音频检测器。一项使用来自美国30个州、不同口音的英语说话者的10,240个音频样本的研究，这些样本由8种不同的AI语音克隆系统生成，结果显示，无论说话内容、说话者性别、年龄或地区如何，该检测器的准确率差异最多为2个百分点。这确保了该检测器能够以同等的准确率识别不同说话者和消息的AI生成音频，通过关注声学伪影而非说话者身份或内容来遵守GDPR合规性。
-
研究发现水印捷径导致音频深度伪造检测存在缺陷
一篇新论文《水印捷径》（The Watermark Shortcut）揭示了依赖水印的音频深度伪造检测系统存在一个关键缺陷。当合成语音被添加水印而真实语音没有时，检测器会错误地将水印标记为伪造声音的指示符。这会导致性能下降，使带水印的伪造语音在去除水印后能够逃避检测，以及将真实语音错误地归类为伪造。研究人员在白盒和黑盒实验中都展示了这个问题，包括使用一个商业API，并发布了一个名为WASP的数据集以协助进一步研究。