RTCFake: 面向实时通信场景的语音深度伪造检测

随着语音生成技术的快速发展，语音深度伪造在实时通信 (RTC) 场景中的威胁日益加剧。然而，现有检测研究主要关注离线仿真，难以应对RTC传输过程中引入的复杂失真，包括未知的语音增强过程（如噪声抑制）和编解码压缩。为此，我们提出了面向RTC场景的第一个大规模语音深度伪造数据集，称为\textit{RTCFake}，总计约600小时。该数据集通过通过多个主流社交媒体和会议平台（如Zoom）传输语音，实现离线语音与在线语音的精确配对。在此基础上，我们提出了一种基于音素引导的一致性学习 (PCL) 策略，强制模型学习平台无关的语义结构表示。本文将\textit{RTCFake} 数据集划分为训练、开发和评估集，其中评估集包括未见过的RTC平台和未见过的复杂噪声条件，从而为语音深度伪造检测提供更真实、更具挑战性的评估基准。进一步地，所提出的PCL策略在跨平台泛化和噪声鲁棒性方面取得显著提升，为一种有效且通用的建模范式。\textit{RTCFake} 数据集已提供至 {https://huggingface.co/datasets/JunXueTech/RTCFake}。