Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2506.03364

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2506.03364 (eess)
[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

Authors:Orchid Chetia Phukan, Girish, Mohd Mujtaba Akhtar, Swarup Ranjan Behera, Priyabrata Mallick, Pailla Balakrishna Reddy, Arun Balaji Buduru, Rajesh Sharma
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。
摘要: In this work, we introduce the task of singing voice deepfake source attribution (SVDSA). We hypothesize that multimodal foundation models (MMFMs) such as ImageBind, LanguageBind will be most effective for SVDSA as they are better equipped for capturing subtle source-specific characteristics-such as unique timbre, pitch manipulation, or synthesis artifacts of each singing voice deepfake source due to their cross-modality pre-training. Our experiments with MMFMs, speech foundation models and music foundation models verify the hypothesis that MMFMs are the most effective for SVDSA. Furthermore, inspired from related research, we also explore fusion of foundation models (FMs) for improved SVDSA. To this end, we propose a novel framework, COFFE which employs Chernoff Distance as novel loss function for effective fusion of FMs. Through COFFE with the symphony of MMFMs, we attain the topmost performance in comparison to all the individual FMs and baseline fusion methods.
评论: 已被INTERSPEECH 2025接受
主题: 音频与语音处理 (eess.AS) ; 多媒体 (cs.MM); 声音 (cs.SD)
引用方式: arXiv:2506.03364 [eess.AS]
  (或者 arXiv:2506.03364v1 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.03364
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Orchid Chetia Phukan [查看电子邮件]
[v1] 星期二, 2025 年 6 月 3 日 20:16:41 UTC (34,429 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.MM
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs
cs.SD
eess
eess.AS

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号