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:2508.01034

帮助 | 高级搜索

电气工程与系统科学 > 音频与语音处理

arXiv:2508.01034 (eess)
[提交于 2025年8月1日 (v1) ,最后修订 2025年8月26日 (此版本, v2)]

标题: 基于多头注意力的调制谱图与SSL融合用于虚假语音检测

标题: Fusion of Modulation Spectrogram and SSL with Multi-head Attention for Fake Speech Detection

Authors:Rishith Sadashiv T N, Abhishek Bedge, Saisha Suresh Bore, Jagabandhu Mishra, Mrinmoy Bhattacharjee, S R Mahadeva Prasanna
摘要: 伪造语音检测系统已成为对抗语音深度伪造的必要手段。 当前系统由于缺乏多样化的训练数据,在域外语音样本上表现出较差的泛化能力。 在本文中,我们尝试通过提出一种使用自监督(SSL)语音嵌入和调制谱图(MS)特征的新语音表示来解决域泛化问题。 采用融合策略结合两种语音表示,以引入分类任务的新前端。 提出的SSL+MS融合表示传递给AASIST后端网络。 在单语种和多语种伪造语音数据集上进行实验,以评估所提模型架构在跨数据集和多语种情况下的有效性。 与基线相比,所提出的模型在域内设置下分别在ASVspoof 2019和MLAAD数据集上实现了37%和20%的相对性能提升。 在域外场景中,基于ASVspoof 2019训练的模型在MLAAD数据集上评估时显示出36%的相对改进。 在所有评估的语言中,所提出的模型始终优于基线,表明域泛化能力得到了增强。
摘要: Fake speech detection systems have become a necessity to combat against speech deepfakes. Current systems exhibit poor generalizability on out-of-domain speech samples due to lack to diverse training data. In this paper, we attempt to address domain generalization issue by proposing a novel speech representation using self-supervised (SSL) speech embeddings and the Modulation Spectrogram (MS) feature. A fusion strategy is used to combine both speech representations to introduce a new front-end for the classification task. The proposed SSL+MS fusion representation is passed to the AASIST back-end network. Experiments are conducted on monolingual and multilingual fake speech datasets to evaluate the efficacy of the proposed model architecture in cross-dataset and multilingual cases. The proposed model achieves a relative performance improvement of 37% and 20% on the ASVspoof 2019 and MLAAD datasets, respectively, in in-domain settings compared to the baseline. In the out-of-domain scenario, the model trained on ASVspoof 2019 shows a 36% relative improvement when evaluated on the MLAAD dataset. Across all evaluated languages, the proposed model consistently outperforms the baseline, indicating enhanced domain generalization.
评论: 被APSIPA ASC 2025接收
主题: 音频与语音处理 (eess.AS)
引用方式: arXiv:2508.01034 [eess.AS]
  (或者 arXiv:2508.01034v2 [eess.AS] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.01034
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Rishith Sadashiv T N [查看电子邮件]
[v1] 星期五, 2025 年 8 月 1 日 19:20:18 UTC (1,253 KB)
[v2] 星期二, 2025 年 8 月 26 日 15:21:37 UTC (1,254 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:
eess
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
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