弯曲世界，清晰边界：基于双曲和球面几何空间的语音深度伪造检测泛化化
音频与语音处理
2025-11-17 v1
摘要
本文解决了跨越多种语音合成范式（包括传统文本转语音系统和现代扩散或流匹配（FM）生成器）的通用音频深度伪造检测（ADD）挑战。以往工作大多针对单个合成家族进行，往往因对生成特定痕迹的过拟合而难以跨范式泛化。我们假设，无论其生成来源如何，合成语音在嵌入空间中留下了可通过几何感知建模对齐的共同结构失真。为此，我们提出 RHYME，一个统一的检测框架，通过非欧几里得投影融合来自不同预训练语音编码器的 utterance 级嵌入。RHYME 将表示映射到双曲和球面流形——其中双曲几何在建模层次化生成家族方面尤为出色，球面投影捕捉角度、能量不变的线索，如周期性声码器痕迹。通过黎曼 barycentric 平均获得融合表示，实现合成无关的对齐。RHYME 超越单个 PTM 和同构融合基线，实现顶级性能，达成跨范式 ADD 的新型最先进水平。
引用
@article{arxiv.2511.10793,
title = {Curved Worlds, Clear Boundaries: Generalizing Speech Deepfake Detection using Hyperbolic and Spherical Geometry Spaces},
author = {Farhan Sheth and Girish and Mohd Mujtaba Akhtar and Muskaan Singh},
journal= {arXiv preprint arXiv:2511.10793},
year = {2025}
}
备注
Accepted to IJCNLP-AACL 2025