De-AntiFake: 重新思考针对语音克隆攻击的保护性扰动
声音
2025-07-04 v1 人工智能
密码学与安全
机器学习
音频与语音处理
摘要
语音生成模型的快速发展加剧了与语音克隆(VC)相关的隐私和安全担忧。最近的研究探索了通过引入对抗性扰动来破坏未经授权的语音克隆。然而，坚定的攻击者可以减轻这些保护性扰动并成功执行VC。在这项研究中，我们首次在包含扰动净化的现实威胁模型下，对这些针对VC的保护性扰动进行了系统评估。我们的发现表明，虽然现有的净化方法可以中和相当一部分保护性扰动，但它们仍然会导致VC模型特征空间的扭曲，从而降低VC的性能。基于此视角，我们提出了一种新颖的两阶段净化方法：(1) 净化受扰动的语音；(2) 使用音素引导对其进行细化，使其与干净语音分布对齐。实验结果表明，我们的方法在破坏VC防御方面优于最先进的净化方法。我们的研究揭示了基于对抗性扰动的VC防御的局限性，并强调了迫切需要更鲁棒的解决方案来减轻VC带来的安全和隐私风险。代码和音频样本可在 https://de-antifake.github.io 获取。
引用
@article{arxiv.2507.02606,
title = {De-AntiFake: Rethinking the Protective Perturbations Against Voice Cloning Attacks},
author = {Wei Fan and Kejiang Chen and Chang Liu and Weiming Zhang and Nenghai Yu},
journal= {arXiv preprint arXiv:2507.02606},
year = {2025}
}
备注
Accepted by ICML 2025