面向音频深度伪造检测的 SUPERB 风格自监督语音模型基准
音频与语音处理
2026-04-10 v1 人工智能
机器学习
信号处理
摘要
自监督学习（SSL）已彻底改变语音处理领域，诸如 SUPERB 等基准确立了跨各种下游任务的公平比较标准。尽管其安全性至关重要，但音频深度伪造检测仍处于这些努力之外。在本工作中，我们引入 Spoof-SUPERB，一个用于音频深度伪造检测的基准，系统评估了20个SSL模型，涵盖生成式、判别式和频谱图基架构。我们在多个域内和域外数据集上评估了这些模型。我们的结果揭示了大型判别式模型如 XLS-R、UniSpeech-SAT 和 WavLM Large 一致优于其他模型，这些模型受益于多语言预训练、说话人感知目标和模型规模。我们进一步分析了这些模型在声学退化情况下的鲁棒性，表明生成式方法会显著下降，而判别式模型则保持鲁棒性。该基准建立了可重复的基线，为确保语音系统免受音频深度伪造攻击提供了实用见解，阐明了哪些SSL表示最可靠。
引用
@article{arxiv.2603.01482,
title = {A SUPERB-Style Benchmark of Self-Supervised Speech Models for Audio Deepfake Detection},
author = {Hashim Ali and Nithin Sai Adupa and Surya Subramani and Hafiz Malik},
journal= {arXiv preprint arXiv:2603.01482},
year = {2026}
}
备注
Accepted at ICASSP