WaveSP-Net：面向语音深度伪造检测的可学习小波域稀疏提示调谐
音频与语音处理
2026-01-29 v2 计算与语言
信号处理
摘要
现代语音深度伪造检测的前端设计依赖于对大型预训练模型如 XLSR 的完全微调。然而，这种方法在参数效率方面不足，可能导致对现实中野生数据类型的泛化性能不佳。为克服这些限制，我们提出一种新的参数高效前端，融合提示调谐与经典信号处理变换，包括基于傅里叶变换的 FourierPT-XLSR，以及基于小波变换的两种变体：WSPT-XLSR 和 Partial-WSPT-XLSR。我们进一步提出 WaveSP-Net，一种新型体系结构，将 Partial-WSPT-XLSR 前端与双向 Mamba 后端相结合。该设计将多分辨率特征注入提示嵌入中，增强了对细微合成伪影的局部化，而无需修改冻结的 XLSR 参数。实验结果表明，WaveSP-Net 在两个新且具有挑战性的基准测试 Deepfake-Eval-2024 和 SpoofCeleb 上超越了多个最先进模型，参数可训练性低且性能显著提升。代码和模型已提供于 https://github.com/xxuan-acoustics/WaveSP-Net。
引用
@article{arxiv.2510.05305,
title = {WaveSP-Net: Learnable Wavelet-Domain Sparse Prompt Tuning for Speech Deepfake Detection},
author = {Xi Xuan and Xuechen Liu and Wenxin Zhang and Yi-Cheng Lin and Xiaojian Lin and Tomi Kinnunen},
journal= {arXiv preprint arXiv:2510.05305},
year = {2026}
}
备注
Accepted at ICASSP 2026