为何语音深度伪造检测器无法泛化：开放世界中的检测极限
密码学与安全
2025-09-26 v1 声音
音频与语音处理
摘要
语音深度伪造检测器通常在干净、基准风格的条件下进行评估，但实际部署 occurs 在一个开放的世界中，包含变化的设备、采样率、编解码器、环境以及攻击家族。这导致 AI-based 检测器产生“覆盖债务”：每一种新条件都会与现有条件相乘，产生数据盲区，这些盲区的增长速度超过了数据收集的速度。由于攻击者可以针对这些未覆盖的区域进行攻击，最坏情况下的性能（而非平均的基准得分）决定了安全性。为演示覆盖债务问题的影响，我们分析了最近一个跨测试框架的结果。按真实域和假造发布年份分组分析性能时，出现两种模式：较新的合成器擦除检测器依赖的旧有人工特征，另外，对话式语音域（如会议、访谈、社交媒体）始终是最难以保护的领域。这些发现表明，仅依靠检测器而不应用于高风险决策。检测器应被视于包含来源验证、人格凭证和政策防护等分层防御系统中的辅助信号。
引用
@article{arxiv.2509.20405,
title = {Why Speech Deepfake Detectors Won't Generalize: The Limits of Detection in an Open World},
author = {Visar Berisha and Prad Kadambi and Isabella Lenz},
journal= {arXiv preprint arXiv:2509.20405},
year = {2025}
}