电气工程与系统科学 > 音频与语音处理
[提交于 2025年6月3日
]
标题: 基于多模态基础模型的歌唱语音深度伪造源归因研究
标题: Towards Source Attribution of Singing Voice Deepfake with Multimodal Foundation Models
摘要: 在这项工作中,我们引入了歌唱语音深度伪造源归因(SVDSA)任务。我们假设多模态基础模型(MMFMs),如ImageBind、LanguageBind,在SVDSA中最为有效,因为它们通过跨模态预训练,能够更好地捕捉细微的源特定特性——例如每个歌唱语音深度伪造源的独特音色、音高操作或合成伪影。我们的实验验证了MMFMs对于SVDSA最有效的假设,包括与语音基础模型和音乐基础模型的对比实验。此外,受相关研究的启发,我们还探索了基础模型(FM)融合以改进SVDSA的方法。为此,我们提出了一种新颖的框架COFFE,它采用Chernoff距离作为融合FMs的有效损失函数。通过使用MMFMs的协奏曲,COFFE在所有单独的基础模型和基线融合方法中达到了最佳性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.