AudioMarkBench：音频水印鲁棒性基准
机器学习
2024-11-14 v2 密码学与安全
声音
音频与语音处理
摘要
推动文本到语音模型进步导致合成语音日益逼真，这引发关于冒充和虚假信息的伦理担忧。音频水印通过在AI生成的音频中嵌入人类难以察觉的水印来提供有前景的解决方案。然而，音频水印对常见/对抗性扰动的鲁棒性尚未得到充分研究。我们提出AudioMarkBench，这是第一个系统化评估音频水印抗水印移除和水印伪造攻击鲁棒性的基准。AudioMarkBench包括来自Common-Voice的数据集，涵盖多种语言、性别和年龄；3种最先进的水印方法；以及15种类型的扰动。我们在无盲、黑盲和白盲设置下对这些方法进行鲁棒性基准测试。我们的发现揭示了当前水印技术的脆弱性，强调需要更健壮和公平的音频水印解决方案。我们的数据集和代码已公开于https://github.com/moyangkuo/AudioMarkBench。
引用
@article{arxiv.2406.06979,
title = {AudioMarkBench: Benchmarking Robustness of Audio Watermarking},
author = {Hongbin Liu and Moyang Guo and Zhengyuan Jiang and Lun Wang and Neil Zhenqiang Gong},
journal= {arXiv preprint arXiv:2406.06979},
year = {2024}
}
备注
To appear in NeurIPS Datasets and Benchmarks, 2024