DFADD：基于扩散与流匹配的音频深度伪造数据集
声音
2024-09-16 v1 音频与语音处理
摘要
主流的零样本文本到语音（TTS）生成系统，如Voicebox和Seed-TTS，分别利用流匹配和扩散模型实现了与人类相媲美的语音。不幸的是，人类水平的音频合成导致了身份滥用和信息安全问题。目前，已有许多反欺骗模型被开发出来以对抗深度伪造音频。然而，当前最先进的反欺骗模型在对抗由基于扩散和流匹配的TTS系统合成的音频时的有效性仍未知。在本文中，我们提出了基于扩散与流匹配的音频深度伪造（DFADD）数据集。DFADD数据集收集了基于先进扩散和流匹配TTS模型的深度伪造音频。此外，我们揭示了当前的反欺骗模型对于由扩散和流匹配TTS系统生成的高度类似人类的音频缺乏足够的鲁棒性。所提出的DFADD数据集填补了这一空白，并为开发更具鲁棒性的反欺骗模型提供了宝贵资源。
引用
@article{arxiv.2409.08731,
title = {DFADD: The Diffusion and Flow-Matching Based Audio Deepfake Dataset},
author = {Jiawei Du and I-Ming Lin and I-Hsiang Chiu and Xuanjun Chen and Haibin Wu and Wenze Ren and Yu Tsao and Hung-yi Lee and Jyh-Shing Roger Jang},
journal= {arXiv preprint arXiv:2409.08731},
year = {2024}
}
备注
Accepted by IEEE SLT 2024